Scalable Spatial and Geometric Learning Approach for Joint Power Control and Channel Allocation
Notice bibliographique
Résumé
This research paper introduces an unsupervised scalable probabilistic approach for radio resource management in device-to-device (D2D) communication networks, essential for enhancing wireless data service capacity. We propose a joint optimization framework for spectrum allocation and power control, aiming to optimize the network’s mean rate while meeting minimum data rate requirements. Although deep learning (DL) models have been explored for this purpose, their scalability is constrained by the fixed sizes of their input/output features, and their effectiveness is often limited by an insufficient understanding of the network’s geometric structure. Consequently, Graph Neural Networks (GNNs) were introduced to integrate the wireless network’s topology into the learning process. However, GNNs typically lose spatial correlation data when converting the tensorized channel state information (CSI) into a graph structure. To overcome this limitation, our solution combines GNNs, convolutional neural networks (CNNs), and variational autoencoders to extract meaningful embeddings from the CSI, preserving spatial and geometric features. We also introduce an innovative graph attention mechanism that enhances the model’s focus on crucial node and edge features. Our holistic approach exploits the wireless network’s topological and spatial relationships, offering a scalable, unsupervised, and generalizable solution without the need for retraining or architectural adjustments across various wireless setups. Our findings confirm our method’s superior performance and adaptability to different wireless environments.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».