Generalizable Representation for Wireless Networks Optimization through Native Graph Topology
Tid: Ti 2025-12-16 kl 13.15
Plats: Kollegiesalen, Brinellvägen 8, Stockholm
Språk: Engelska
Ämnesområde: Datalogi Elektro- och systemteknik
Respondent: Jin Yifei , Teoretisk datalogi, TCS, Ericsson Research
Opponent: Associate Professor Zheng Chen, Division of Communication Systems, Department of Electrical Engineering, Linköping University
Handledare: Professor Aristides Gionis, Teoretisk datalogi, TCS; Professor Sarunas Girdzijauskas, Programvaruteknik och datorsystem, SCS
QC 20251111
Abstract
Inlärning av grafrepresentation har blivit ett kraftfullt paradigm för modellering av strukturerad data, vilket gör det möjligt för maskininlärningssystem att resonera kring relationer, rumsliga beroenden och topologiska mönster. Dess potential inom trådlösa nätverk är dock fortfarande underutforskad, särskilt när det gäller att lära sig nativa representationer av komplexa och dynamiska trådlösa miljöer. Denna avhandling tar upp utmaningen att tillämpa inlärning av grafrepresentation – såsom grafiska neurala nätverk och transformatorarkitekturer – på trådlösa system, där topologi, domänheuristik och fysiska begränsningar kritiskt påverkar optimeringsprestanda och generalisering.
Det centrala problemet som undersöks är hur man konstruerar och utnyttjar grafrepresentationer som troget kodar den nativa strukturen i trådlösa nätverk för att möjliggöra skalbar, topologimedveten optimering. Detta inkluderar optimering av täckningsrelationer, interferensmönster och miljöspecifika utbredningseffekter. Befintliga lösningar inom trådlös maskininlärning förbiser ofta dessa strukturella förutsättningar, vilket resulterar i sköra modeller som generaliserar dåligt över implementeringar och erbjuder begränsad återanvändbarhet.
Denna avhandling introducerar en grafcentrerad metod för att överbrygga detta gap. Genom att representera trådlösa element – såsom basstationer, länkar och täckningszoner – som noder, och deras interaktioner som grafkanter, utvecklar vi inlärningsarkitekturer som integrerar uppmärksamhetsmekanismer, domänmedvetna funktioner och fysikinspirerade begränsningar. Fyra studier demonstrerar denna metod för viktiga trådlösa optimeringsuppgifter: förutsägelse av routinglatens, antennlutningskonfiguration, realtidsuppskattning av radiotäckning och neural strålspårning för modellering på länknivå.
Våra resultat visar att dessa grafbaserade modeller avsevärt överträffar traditionella baslinjer och uppnår nästan simulatornoggrannhet med förbättrad generalisering över osynliga topologier och användarscenarier. De avslöjar också korrespondenser mellan tekniska designmönster och grafspektralegenskaper, vilket erbjuder en ny lins för att förstå och optimera nätverksbeteende. De föreslagna metoderna minskar övervakningsbehovet och stöder skalbar distribution över variabla nätverkskonfigurationer.
Sammantaget etablerar denna avhandling grafrepresentationsinlärning som ett grundläggande verktyg för trådlös intelligens – vilket möjliggör strukturinformerad, optimeringsdriven modellering över olika nätverksförhållanden. Dessa framsteg banar väg för framtida trådlösa grundmodeller som kan stödja ett brett spektrum av uppgifter inom optimering, avkänning och beslutsfattande med minimal omskolning.