GNN-Based Beamforming for Sum-Rate Maximization in MU-MISO Networks

The advantages of graph neural networks (GNNs) in leveraging the graph topology of wireless networks have drawn increasing attentions. This paper studies the GNN-based learning approach for the sum-rate maximization in multiple-user multiple-input single-output (MU-MISO) networks subject to the user...

Ausführliche Beschreibung

Gespeichert in:

Bibliographische Detailangaben
Veröffentlicht in:	IEEE transactions on wireless communications Jg. 23; H. 8; S. 9251 - 9264
Hauptverfasser:	Li, Yuhang, Lu, Yang, Ai, Bo, Dobre, Octavia A., Ding, Zhiguo, Niyato, Dusit
Format:	Journal Article
Sprache:	Englisch
Veröffentlicht:	New York IEEE 01.08.2024 The Institute of Electrical and Electronics Engineers, Inc. (IEEE)
Schlagworte:	Array signal processing Beamforming Budgets Convexity CRGAT GNNs Graph neural networks Interference Machine learning Maximization Message passing MISO communication MU-MISO Optimization Quality of service Signal processing algorithms State vectors sum-rate maximization Topology Unsupervised learning Wireless networks
ISSN:	1536-1276, 1558-2248
Online-Zugang:	Volltext
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Schreiben Sie den ersten Kommentar!