自動展開型近接勾配降下法: 解釈可能な波形最適化へのAutoMLアプローチ

要旨：本研究は、無線ビームフォーミングと波形の最適化を目的として、自動機械学習（AutoML）とモデルベースの深部展開（DU）を組み合わせることを検討する。我々は反復的な近接勾配降下法（PGD）アルゴリズムを深層ニューラルネットワークに変換し、各層のパラメータを事前に決定されたものではなく学習可能とする。さらに、プロキシマル射影の前に学習可能な線形勾配変換を実行するハイブリッド層を組み込むことでアーキテクチャを強化する。木構造パーゼン推定器（TPE）を用いたハイパーパラメータ最適化（HPO）を、拡張探索空間で適用する。拡張探索空間には、ネットワーク深さ、ステップサイズの初期化、オプティマイザ、学習率スケジューラ、層タイプ、ポストグラデーション活性化が含まれる。提案された自動展開PGD（Auto-PGD）は、従来の200反復PGDソルバーのスペクトル効率の98.8%を、5層の展開だけで達成し、学習サンプルはわずか100個を必要とする。トレーニングと評価時の一貫した性能を確保するため、勾配正規化の問題にも対処し、透明性を高める手段として各層の総和レートのログを示す。これらの貢献は、従来のブラックボックス型アーキテクチャと比較して、必要な学習データ量と推論コストを顕著に削減しつつ、高い解釈性を維持することを示している。