ترجمه فارسی مقاله Grlinq: مکانیسم اشتراک طیف هوشمند برای ارتباطات دستگاه به دستگاه با یادگیری تقویت کننده نمودار

چکیده

Device-to-device (D2D) spectrum sharing in wireless communications is a challenging non-convex combinatorial optimization problem, involving entangled link scheduling and power control in a large-scale network. The state-of-the-art methods, either from a model-based or a data-driven perspective, exhibit certain limitations such as the critical need for channel state information (CSI) and/or a large number of (solved) instances (e.g., network layouts) as training samples. To advance this line of research, we propose a novel hybrid model/datadriven spectrum sharing mechanism with graph reinforcement learning for link scheduling (GRLinQ), injecting information theoretical insights into machine learning models, in such a way that link scheduling and power control can be solved in an intelligent yet explainable manner. Through an extensive set of experiments, GRLinQ demonstrates superior performance to the existing model-based and data-driven link scheduling and/or power control methods, with a relaxed requirement for CSI, a substantially reduced number of unsolved instances as training samples, a possible distributed deployment, reduced online/offline computational complexity, and more remarkably excellent scalability and generalizability over different network scenarios and system configurations.

چکیده به فارسی (ترجمه ماشینی)

تقسیم طیف دستگاه به دستگاه (D2D) در ارتباطات بی سیم یک مشکل بهینه سازی ترکیبی غیر متناوب است که شامل برنامه ریزی پیوند درهم تنیده و کنترل برق در یک شبکه در مقیاس بزرگ است.روشهای پیشرفته ، چه از یک مدل مبتنی بر مدل و چه از دیدگاه داده محور ، محدودیت های خاصی مانند نیاز بحرانی به اطلاعات حالت کانال (CSI) و/یا تعداد زیادی از موارد (حل شده) (حل شده) را نشان می دهند.به عنوان مثال ، طرح بندی شبکه) به عنوان نمونه های آموزشی.برای پیشبرد این خط تحقیق ، ما یک مکانیسم اشتراک طیف مدل ترکیبی/Datadriven با یادگیری تقویت کننده نمودار برای برنامه ریزی پیوند (GRLINQ) ، تزریق بینش های نظری اطلاعات به مدل های یادگیری ماشین را پیشنهاد می کنیم ، به گونه ای که پیوند برنامه ریزی و کنترل قدرت می تواند باشدحل شده به روشی هوشمند و در عین حال قابل توضیح.از طریق مجموعه گسترده ای از آزمایشات ، Grlinq عملکرد برتر را نسبت به برنامه ریزی پیوند مبتنی بر مدل و داده های محور و/یا کنترل قدرت نشان می دهد ، با یک نیاز آرام برای CSI ، تعداد قابل توجهی از موارد حل نشده به عنوان نمونه های آموزشی ، یک امکان پذیر است.استقرار توزیع شده ، کاهش پیچیدگی محاسباتی آنلاین/آفلاین ، و مقیاس پذیری و قابلیت تعمیم بسیار چشمگیر تر نسبت به سناریوهای مختلف شبکه و تنظیمات سیستم.