使用图神经网络从真实网络配置中学习蜂窝覆盖范围。

​

Learning Cellular Coverage from Real Network Configurations using GNNs

解决问题：该论文试图解决的问题是在自组织网络中进行蜂窝覆盖质量估计的挑战。具体而言，该论文旨在解决深度学习方法在大范围应用时面临的缺乏足够真实数据以及无法捕捉单元格配置变化的表达能力不足的问题。

关键思路：该论文的关键思路是将蜂窝覆盖质量估计任务转化为图表示，并应用最先进的图神经网络来解决该问题。相比于当前领域的研究，该论文的思路创新之处在于提出了一种新的训练框架，该框架能够同时产生质量良好的单元格配置嵌入以估计多个关键绩效指标，并且能够在只有少量标记单元格的情况下推广到大范围的场景。

其他亮点：该论文的实验设计非常精细，使用了现实世界中的真实网络配置，并且证明了该框架的准确性与使用大量标记样本训练的模型相当。此外，该论文还开源了代码。值得进一步研究的工作包括如何将该方法应用于其他领域的问题以及如何进一步提高模型的性能和效率。

关于作者：该论文的主要作者是Yifei Jin、Marios Daoutis、Sarunas Girdzijauskas和Aristides Gionis。他们分别来自于芬兰赫尔辛基大学和瑞士洛桑联邦理工学院。他们之前的代表作包括《Graph-based anomaly detection and description: a survey》和《Scalable Influence Maximization for Independent Cascade Model in Large-Scale Social Networks》等。

相关研究：近期其他相关的研究包括《Deep Reinforcement Learning for Dynamic Coverage Optimization in Wireless Networks》（作者：Jianan Zhang、Xiaohui Tan、Jiachen Chen、Yingying Chen、Qinghe Du，机构：新泽西州立大学）和《Learning to Optimize Cellular Coverage with Deep Reinforcement Learning》（作者：Menglei Zhang、Xiaofeng Zhong、Xin Liu、Yong Li，机构：北京邮电大学）等。

论文摘要：学习使用GNN从真实网络配置中了解蜂窝网络覆盖范围
金一飞，Marios Daoutis，Sarunas Girdzijauskas，Aristides Gionis
对于自组织网络而言，蜂窝覆盖质量估计一直是一项关键任务。在实际场景中，由于在网络设计和优化过程中很少提供地面真实数据，因此基于深度学习的覆盖质量估计方法无法扩展到大范围。此外，它们在产生表达丰富的嵌入以充分捕捉单元格配置的变化方面也存在不足。为了应对这一挑战，我们将任务表述为图形表示，以便可以应用最先进的图形神经网络，这些网络表现出卓越的性能。我们提出了一种新的训练框架，既可以产生质量良好的单元格配置嵌入以估计多个KPI，同时我们还展示了它能够泛化到大范围（全区域）场景，即使只有很少的标记单元格。我们表明，我们的框架产生的精度与使用大量标记样本训练的模型相当。

​Read More