要約: 本稿では、グラフ構造化された干渉を有する無線ネットワークにおける、制約付きエルゴード的資源最適化を考察する。拡散モデルの方策を訓練し、資源割当てに関する専門家（エキスパート）の条件付き分布を模倣する。プリマル・デュアル（専門家）アルゴリズムを活用することで、各訓練ネットワークのインスタンスに対する対応する専門家条件付き分布からのサンプルとして機能する、プリマル反復（primal iterates）を生成する。割当ては、既知のチャネル状態グラフ上で定義される確率的グラフ信号として捉える。拡散モデルのアーキテクチャは、チャネル状態および追加のノード状態により条件付けされた、グラフニューラルネットワーク（GNN）ブロックのU-Net階層として実装する。推論時には、学習済みの生成モデルが、近最適な条件付き分布から割当てベクトルを直接サンプリングすることで、反復的な専門家方策を償却（amortize）する。パワー制御のケーススタディでは、生成されたパワー割当てを時分割（time-sharing）することで、準最適なエルゴード的和レート効用および準実行可能なエルゴード的最小レートを達成できることを示す。さらに、ネットワーク状態間で強い汎化性能と転移可能性を示す。
無線リソース割り当てのためのグラフ信号拡散モデル
arXiv cs.LG / 2026/4/8
💬 オピニオンSignals & Early TrendsIdeas & Deep AnalysisModels & Research
要点
- 本論文は、干渉をグラフとして表現し、割り当てを既知のチャネル状態グラフ上の確率的グラフ信号として扱うことで、制約付きエルゴード的無線リソース最適化を研究する。
- 専門家（エキスパート）による条件付き分布を、リソース割り当てに関して一致させるように学習する拡散モデル・ポリシーを訓練し、訓練サンプルとして、プライマル・デュアルの専門家が生成した反復（iterates）を用いる。
- 拡散アーキテクチャは、チャネル状態および追加のノード特徴量に条件付けされた、GNNブロックから構成されるU-Net様の階層構造として実装される。
- 推論時には、学習した条件付き分布から近い最適の割り当てベクトルを直接サンプリングすることで、反復的な専門家アルゴリズムを償却（amortize）する。
- パワー制御のケーススタディでは、時間分割してサンプルした割り当てが、エルゴード的な和達成率（sum-rate）のユーティリティでほぼ最適、かつエルゴード的な最低達成率（minimum rates）でほぼ実現可能であることを示し、ネットワーク状態間での強い一般化と転移を実証する。
