그래프 신경망(graph neural networks, GNNs)은 기기-대기기(device-to-device, D2D) 통신 네트워크에서의 무선 자원 할당을 위한 유망한 도구로 부상하였다. 그러나 링크 전반에 걸친 통신 조건의 이질성과 학습 데이터로부터의 변동성으로 인해 어려움이 발생한다. 본 논문에서는 GNN 기반 학습과 분산 전이 학습(distributed transfer learning, DTL)을 결합한 완전 분산형 D2D 빔포밍 적응 프레임워크인 DTL-D2D를 제안한다. 먼저 다수의 D2D 네트워크 인스턴스에 대해 공통의 GNN 모델을 학습하여 평균적으로 최적화된 파라미터를 습득한다. 이후 학습된 모델을 모든 링크에 분산시키며, 각 링크는 1홉 이웃으로부터의 국소 정보만을 사용하여 빔포머를 독립적으로 적응함으로써 국소 전송률 추정치들의 합에 대한 음의 부호가 붙은 근사에 기반한 손실을 반복적으로 최소화한다. 제안한 알고리즘에 대해 일련의 가정 하에서 수렴성을 증명한다. 수치 결과는 DTL-D2D가 비적응 GNN을 포함한 다양한 벤치마크 기법 및 탐욕적 적응(greedy adaptation)보다 일관되게 우수한 성능을 보임을 보여준다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.