要約：ここ数十年では、数値最適化は、電力制御とビームフォーマの設計、無線リソース管理の問題などの問題に対処する上で重要な中心的な役割を果たしています。しかし、伝統的な最適化アルゴリズムは、通常、リアルタイム処理のための課題を提示し収束する繰り返しのかなりの量を、必要としています。本論文では、学習に基づく無線リソース管理アプローチの新しい深さを示しています。主なアイデアは、入出力リソース割り当てアルゴリズム考え未知の非線形写像であり、それを近似DNNを使用します。あなたはDNN中型正確かつ効果による非線形マッピングを学ぶことができる場合はDNNで入力を渡すので、このDNN、ほぼリアルタイムのリソース割り当ては、唯一のいくつかの簡単な操作を必要とします。、
はじめに：
何十年もの間、問題の様々な局面に無線リソース管理契約は、最適化アルゴリズムのその取り扱いに大きな成功を収めているが、これらの最適化アルゴリズムの性質は、反復アルゴリズムのクラスに属します。これは、リアルタイムのネットワーク入力などのパラメータ（例えば、SNR要件とチャネル実現）、複数の反復、出力は「最適化」リソース割り当てのポリシーの所与のセットについてです。したがって、これらのアルゴリズムは、最大の課題は、リアルタイムシステムの高コストであるが存在します。
本論文では、無線リソース管理のための機械学習方法を提示し、主要なアイデアは、「ブラックボックス」として指定されたアルゴリズムのリソースを最適化し、DNNを通じて、入力/出力の関係を学ぶしようとすることです。
そのようなベクトル乗算、加算、及び単純な非線形変換としてのみ、いくつかの簡単な操作を伴う、数値最適化に関与していないDNN動作相：古典的な反復アルゴリズムに対するDNN重要な利点は、高いレートDNNとリアルタイムで計算されます。
主な貢献：
1）スキームは、学習、機械学習ブリッジ方式と無線リソース割当特定の干渉電力ネットワーク制御におけるこれらの一見無関係技術（）の深さに基づいて提案されています。
2）大規模な理論的解析および数値実験により、提案方式の実現可能性を実証します。DNNは、無線リソースのリアルタイム管理に大きな可能性を秘めている。DNNは、機器反復最適化アルゴリズムとして近似することができます。予備的な結果は、ことを示しています。
WMMSE：
加重和レート最大化問題は、加重MSEの最小化問題と等価です。
多重アクセス干渉チャネル（IMAC）は、特別なサイト共同チャネルレシーバICとみなすことができます。
深さの学習方法：
DNNは仕方同様のWMMSEをエンドツーエンド、この記事では、その入力/出力の関係を学ぶために、未知の非線形写像とみなし、トレーニングDNN WMMSEます。動機：DNNはテスト段階で、計算上効率的な設計の高速リアルタイムリソース管理プログラムを使用します。
WMMSE各繰り返しは、継続的なマッピングを表しています。
二つの異なるチャネルモデル：
ICガウスチャネル：レイリーフェージングのゼロ平均及び単位分散分布を有する、すなわち、標準正規分布のそれぞれについて、チャネル係数を生成します。
IMACチャネル：IMAC紙、N細胞およびKのユーザを有する多細胞モデル。隣接するセルの中心間の距離は200メートルに設定されています。各セルでは、BSは、細胞、ランダム均等に分布を持つユーザーの中心に配置され、図1に示すネットワーク構成：
（これは、文書「であるにおけるリソース管理のための基地局の活性化と線形最適設計 異種ネットワーク 図」。 ）
これらの細胞は、ゼロ平均および分散に応じて、ユーザの数が同じと仮定すると、
各BSと各レイリー間のフェージング分布ランダムに生成されたユーザチャネル、ここで、dは、BSとユーザとの間の距離を表し、Lは、数を表します64対数正規分布した後、フェージングゼロ平均および分散影を有します。