Two-Stage GNN-Based Scalable Access Mode Selection and Power Control for Cell-Free and D2D Heterogeneous Networks
Notice bibliographique
Résumé
Cell-free and device-to-device (D2D) heterogeneous networks provide a promising architecture for seamless and high-capacity coverage through dense deployment while reducing fronthaul load. However, spectrum reuse among heterogeneous transmission links would cause severe interference that restricts network capacity and coverage improvement. The dense deployment further challenges efficient interference coordination due to increased computational cost. To this end, this paper proposes a two-stage graph neural network (GNN) structure for access mode selection and power control in cell-free and D2D heterogeneous networks to achieve effective interference coordination with high computational efficiency. First, we derive closed-form expressions for achievable rates of both cell-free and D2D links under limited fronthaul capacity. Then, we represent the network as a heterogeneous graph and design a two-stage GNN based algorithm. The first stage of our proposed algorithm utilizes edge attention mechanism to optimize access mode selection, and its second stage exploits edge message passing to determine power control. To ensure solution feasibility and algorithm convergence, we introduce modified output layers, binary variable regression, and a penalty-based loss function. Simulation results show that our proposed algorithm can improve network capacity and converge to a near-optimal solution across different network scales, compositions, and key parameters, exhibiting well scalability and generalization.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».