Core Concepts
本論文では、分散型STAR-RIS支援マルチユーザMISO システムにおける合計ユーザレートの最大化を目的とした、能動的ビームフォーミングベクトルと受動的STAR-RIS位相シフトの共同最適化問題を提案する。
Abstract
本論文では、分散型STAR-RIS支援マルチユーザMISO システムにおける合計ユーザレートの最大化を目的とした、能動的ビームフォーミングベクトルと受動的STAR-RIS位相シフトの共同最適化問題を扱っている。
まず、この問題を交互最適化(AO)アルゴリズムに基づいて解く手法を提案する。具体的には、問題を能動的ビームフォーミング、STAR-RIS位相シフト、STAR-RIS振幅係数の3つのサブ問題に分解し、それぞれを反復的に解いていく。
次に、この問題に対するグラフニューラルネットワーク(GNN)ベースのアプローチを提案する。ユーザとSTAR-RISの要素をグラフの頂点として表現し、それらの相互作用を異種グラフメッセージパッシング(HGMP)アルゴリズムを用いてモデル化する。さらに、HGMPアルゴリズムに基づいた深層学習フレームワークを提案し、ユーザ合計レートの最大化を目的として学習を行う。
数値結果より、提案のGNNアプローチは従来のAOアルゴリズムと比べて高い性能を示しつつ、計算複雑度が大幅に低いことが確認された。また、ユーザ数やSTAR-RIS要素数の変化に対しても頑健な一般化性能を有することが示された。
Stats
ユーザ数Kが増加するにつれ、AO アルゴリズムの計算複雑度はO(K3.5)のオーダーで増大する。
一方、提案のGNNアプローチの計算複雑度はユーザ数や STAR-RIS要素数に依存せず、定数オーダーで推移する。
Quotes
"本論文では、分散型STAR-RIS支援マルチユーザMISO システムにおける合計ユーザレートの最大化を目的とした、能動的ビームフォーミングベクトルと受動的STAR-RIS位相シフトの共同最適化問題を扱っている。"
"提案のGNNアプローチは従来のAOアルゴリズムと比べて高い性能を示しつつ、計算複雑度が大幅に低いことが確認された。また、ユーザ数やSTAR-RIS要素数の変化に対しても頑健な一般化性能を有することが示された。"