无线资源分配的图基础模型

现代无线网络的密集化需要明智的资源分配，以减轻严重的相互干扰。然而，经典迭代算法对于需要快速响应的实时应用程序来说在计算上仍然令人望而却步。虽然最近基于深度学习的方法显示出前景，但它们通常充当特定于任务的求解器，缺乏适应不同目标和场景而无需昂贵的再训练的灵活性。为了解决这些限制，我们提出了一种基于 预训练 和 微调 范式的资源分配图基础模型（GFM-RA）来提取统一的表示，从而能够快速适应不同的目标和场景。具体来说，我们引入了一种具有干扰感知的 Transformer 架构，该架构带有偏置投影仪，可将干扰拓扑注入全局注意力机制中。此外，我们开发了一种混合自监督 预训练 策略，该策略将掩模边缘预测与无负教师-学生对比学习相结合，使模型能够从大量未标记数据集中捕获可转移的结构表示。大量的实验表明，所提出的框架实现了最先进的性能，并随着模型容量的增加而有效地扩展。至关重要的是，利用其统一的表示，基础模型表现出卓越的样本效率，能够在分布外（OOD）场景中对多样化和无监督的下游目标进行强大的小样本适应。这些结果证明了预训练基础模型在自适应无线资源分配方面的前景，并为未来基于学习的通用无线优化研究奠定了坚实的基础。