비직교 다중접속(Innon-orthogonal multiple access, NOMA) 시스템에서 전력 할당은 사용자들의 서비스 품질(QoS) 요구사항을 만족하면서 합산 전송률(sum rate)을 최대화하는 데 핵심적인 역할을 한다. 선행 연구에서는 전력 할당을 위한 반복 알고리즘으로서 내점 기법(interior point method, IPM)이 제시되었으며, 이는 합산 전송률을 최대화하고 차단(outage)률을 최소화할 수 있다. 그러나 이러한 반복 알고리즘은 일반적으로 계산 효율이 낮고 지연이 과도하게 크다는 문제를 가진다. 이러한 한계를 극복하기 위해 기계학습 기반 전력 할당 방식들이 널리 연구되어 왔다. 이와 같은 맥락에서, 본 논문에서는 사용자 선택 및 전력 할당에서의 계산 복잡도를 개선하기 위해 지도학습이 아닌 비지도학습(unsupervised learning)에 초점을 맞춰, 송신 안테나 선택과 다중 셀 협력을 고려한 셀룰러 하향 링크 다중입력 단일출력(multiple-input single-output, MISO) NOMA 시스템을 위한 딥 뉴럴 네트워크(deep neural network, DNN) 기반의 공동 사용자 선택 및 전력 할당 기법을 제안한다. 특히 최소 데이터율 요구조건(minimum data-rate requirement) 하에서 합산 전송률을 최대화하기 위해 사용자 선택 및 전력 할당에 대한 최적화 문제를 정식화한다. 우리는 이 최적화 문제를 해결하기 위해 사용자 선택과 전력 할당을 위한 새로운 손실 함수 및 학습 모델을 제안한다. 여기서 학습 및 시험 모델은 채널 상태 정보(channel state information)가 아니라 신호대 간섭플러스잡음비(signal-to-interference-plus-noise-ratio, SINR) 정보를 기반으로 하며, 이는 DNN 입력 데이터 크기를 유의하게 감소시킬 수 있다. 시뮬레이션을 통해, 제안한 방식이 최적해와 비교하여 합산 전송률과 차단률(outage rate) 측면에서 견줄 만한 성능을 제공하면서도 최적해에 비해 더 낮은 계산 복잡도를 요구함을 보인다.

본 논문에서는 다수의 기지국이 협력적 다중 포인트 전송을 이용하는 이기종 네트워크를 고려한다. 여기서, 기지국과 단말간 채널 이득은 경로 손실과 레일레이 페이딩으로 구성된다. 이러한 가정에서 평균 데이터율을 최대화하는 딥러닝 기반 동적 셀 선택과 송신 전력 할당 기법을 제안한다. 여기서, 동적 셀 선택의 결과는 송신 전력 할당의 입력으로 이용되어 연합적인 학습과 테스트를 수행한다. 특히, 제안하는 기법은 실제 무선 통신 환경을 고려하여 지연된 부분 채널 상태 정보를 이용한다. 또한, 부분 채널 상태 정보는 채널 전력 대 간섭 채널 전력비를 이용해 피드백된다. 시뮬레이션을 통해 제안하는 기법이 완전 탐색을 이용한 동적 셀 선택과 신뢰 영역 내부점 기법을 이용한 송신 전력할당과 유사한 데이터율 성능을 제공함을 보여준다.