離散制約下の無線リソース割り当てのための一般的な深層学習フレームワーク

要旨: 深層学習（DL）ベースの手法は連続的な無線リソース割り当てにおいて顕著な成功を収めている一方、離散変数を含む問題に対して効率的な解法を見つけることは依然として困難である。これは主にバックプロパゲーションにおけるゼロ勾配の問題、離散変数で複雑な制約を強制する難しさ、そして同一パラメータ・同一意思決定でない特性（non-SPSD）を持つ解を生成できないことに起因する。これらの課題に対処するため、本論文は離散変数を表すためのサポート集合を導入する一般的なDLフレームワークを提案します。サポート集合の要素を確率変数としてモデリングし、それらの結合確率分布を学習します。結合確率を条件付き確率の積として因数分解することにより、各条件付き確率を逐次学習します。この確率的モデリングは、離散変数を扱うDLに関する前述のすべての課題に直接対処します。ハードなバイナリ決定の代わりに確率分布上で動作することで、フレームワークは自然にゼロ勾配の問題を回避します。条件付き確率の学習過程で、実現不可能な解をマスクすることで離散制約をシームレスに適用できます。さらに、進化する離散解を捉える動的コンテキスト埋め込みを備えた本提案フレームワークは、非SPSD特性を自ずと提供します。我々は提案されたフレームワークを、代表的な混合離散無線リソース割り当て問題の2つに適用します: (a) セルフリーシステムにおけるユーザ割り当てとビームフォーミングの結合、(b) 可動アンテナ支援システムにおけるアンテナ配置とビームフォーミングの結合。シミュレーション結果は、提案されたDLフレームワークが、システム性能と計算効率の両面で既存のベースラインを一貫して上回ることを示しています。