arXiv:2607.08454v1 cs.NI

백홀 지연 환경에서 강인한 협력 빔포밍을 위한 시공간적 스케줄링 예측

Spatio-Temporal Scheduling Prediction Under Backhaul Delay for Resilient Coordinated Beamforming

Prashant Kumar Singh, Shubham Vaishnav, Ahmet Hasim Gökceoglu, Li Wang

제출 2026-07-09

한국어 초록

분산 5G 네트워크에서의 협력 빔포밍(Coordinated Beamforming)은 셀 간 스케줄링 정보의 적시 교환에 의존하지만, 백홀 지연으로 인해 이 정보가 오래될 수 있다. 단 하나의 전송 시간 구간(TTI) 지연만으로도 CBF-SLNR 성능이 비협력 기준선 이하로 떨어질 수 있는데, 이는 프리코더가 더 이상 활성화되지 않은 사용자를 향한 간섭을 억제하기 때문이다. 따라서 오래된 정보에 기반한 협력은 전혀 협력하지 않는 것보다 오히려 더 나쁜 결과를 초래한다. 이를 해결하기 위해, 본 논문은 스펙트럴 시간적 그래프 신경망(StemGNN, Spectral Temporal Graph Neural Network)이 지연된 과거 관측값으로부터 미래 단말(UE) 스케줄링 상태를 예측하고, 그 예측값이 CBF-SLNR 프리코더의 오래된 입력을 대체하는 2단계 예측 프레임워크를 제안한다. Quadriga Urban Micro (UMi) 채널과 비례 공정 스케줄러를 사용하는, 기지국당 64개의 안테나와 60개의 UE를 갖춘 3-셀 대규모 MIMO(massive MIMO) 다운링크에서 평가한 결과, StemGNN은 평균 스케줄링 예측 정확도 87.57%를 달성하여 모든 평가 지평에서 LSTM, GRU, Simple RNN, 마르코프 체인 기준선을 능가하였으며, UE 간 구조적 의존성이 시간적 자기상관보다 지배적인 긴 지평에서 LSTM 대비 최대 7.71% 향상을 보였다. 협력 빔포밍에 통합되었을 때, 예측값은 1 TTI 백홀 지연으로 인한 합산 전송률 손실의 57~73%를 복구하고, 예측 없는 기준선 대비 합산 전송률을 9.58~14.35% 향상시키며, 셀 경계 사용자에 대한 Lag-1 공정성 손실의 최대 83%를 회복한다. 또한 처리량 이득이 감소하는 높은 지연 값에서도 공정성 향상이 지속된다. 이러한 결과는 백홀 지연을 시공간적 예측 문제로 접근하는 것이 지연 제약 네트워크에서 강인한 셀 간 협력을 위한 효과적인 방법임을 보여준다.

원문 초록

Coordinated beamforming in distributed 5G networks relies on the timely exchange of inter-cell scheduling information, but backhaul latency makes this information stale. Even a single transmission time interval (TTI) of delay can reduce CBF-SLNR performance below the uncoordinated baseline, because the precoder suppresses interference toward users that are no longer active. Coordination on stale information is therefore worse than no coordination at all. To address this, we propose a two-stage predictive framework in which a Spectral Temporal Graph Neural Network (StemGNN) predicts future user equipment (UE) scheduling states from delayed historical observations, and the predictions replace stale inputs to the CBF-SLNR precoder. Evaluated on a three-cell massive MIMO downlink with 60 UEs and 64 antennas per base station under Quadriga Urban Micro (UMi) channels and a proportional fair scheduler, StemGNN achieves a mean scheduling prediction accuracy of 87.57%, outperforming LSTM, GRU, Simple RNN, and Markov chain baselines at all evaluated horizons, with gains of up to 7.71% over LSTM at longer horizons where inter-UE structural dependencies dominate over temporal autocorrelation. When integrated into coordinated beamforming, the predictions recover 57-73% of the sum rate loss caused by one TTI of backhaul delay, improving sum rate by 9.58-14.35% over the no-prediction baseline and recovering up to 83% of the Lag-1 fairness loss for cell-edge users, with fairness gains persisting at higher lag values where throughput gains diminish. These results show that treating backhaul latency as a spatio-temporal forecasting problem is an effective approach for robust inter-cell coordination in delay-constrained networks.

요약

분산 5G 네트워크의 협력 빔포밍(Coordinated Beamforming)에서 백홀 지연으로 인해 스케줄링 정보가 오래되는 문제를 해결하기 위해, StemGNN(Spectral Temporal Graph Neural Network)을 활용해 지연된 과거 관측값으로부터 미래 단말(UE) 스케줄링 상태를 예측하는 2단계 예측 프레임워크를 제안한다. 3셀 대규모 MIMO(massive MIMO) 환경에서 StemGNN은 평균 87.57%의 스케줄링 예측 정확도로 LSTM, GRU 등 기준 모델을 능가하며, CBF-SLNR 프리코더에 통합 시 1 TTI 백홀 지연으로 인한 합산 전송률 손실의 57~73%를 복구하고 셀 경계 사용자의 공정성 손실도 최대 83%까지 회복함을 보였다.

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2607.08454v1제출 시각 미확인

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2610.15730v1cs.LG공통 태그 Scheduling, Graph Neural Network

시간적 그래프 신경망을 위한 의존성 인식 다중 GPU 학습 프레임워크

A Dependency-Aware Multi-GPU Training Framework for Temporal Graph Neural Networks

시간적 그래프 신경망(TGNN)은 많은 동적 그래프 학습 작업에서 우수한 성능을 달성한다. 이러한 모델은 노드 상태 벡터(즉, 메모리)를 사용하여 그래프 변화(즉, 이벤트)를 포착하고 기록한 뒤, 이 메모리를 활용하여 예측을 돕는다. 그러나 이러한 메모리 중심 설계는 다중 GPU 학습을 어렵게 만드는데, 이는 이후 이벤트에 대한 예측이 종종 이전 이벤트의 메모리 업데이트에 의존하기 때문이다. 모델 품질을 유지하기 위해 기존의 다중 GPU TGNN 학습 기법들은 모든 이벤트 의존성을 엄격하게 보존하는데, 이는 병렬성을 제한하고 비용이 큰 GPU 간 메모리 동기화를 야기한다. 본 연구에서는 이러한 의존성 중 다수를 학습 품질을 저해하지 않으면서도 더 유연하게 처리할 수 있다는 점을 관찰하였다. 구체적으로, (a) TGNN 학습의 의존성은 시간 및 그래프 토폴로지 측면에서 높은 지역성(locality)을 가지며, (b) 큰 배치 내에서 놓치는 단거리 의존성은 대개 저비용으로 복구할 수 있고, (c) 많은 메모리 업데이트는 즉시 필요하지 않다. 이러한 관찰을 바탕으로, 우리는 세 가지 기법을 통해 다중 GPU TGNN 학습을 가속화하는 DepBloom을 제안한다: (1) 불필요한 GPU 간 동기화를 줄이고 병렬성을 향상시키는 시간적으로 제한된 공간 분할(temporally bounded spatial partitioning); (2) 확대된 배치 내에서 놓친 단거리 시간적 의존성을 복구하는 배치 내 메모리 보정(intra-batch memory refinement); (3) 다중 GPU 파이프라인 실행 중 긴급한 메모리 업데이트를 우선 처리하고 비핵심 작업을 지연시키는 critical-path 최적화(critical-path optimization). 대표적인 모델들과 다양한 데이터셋에 대한 실험 결과, DepBloom은 최신 기법(state-of-the-art methods) 대비 평균 2.84배, 최대 5.16배의 속도 향상을 달성하면서도 동등하거나 더 나은 모델 정확도를 유지함을 보여준다.

arXiv:2610.11022v1physics.ao-ph공통 태그 Time Series Forecasting, Graph Neural Network

중기 리드 타임의 전 지구 일별 화재 복사 강도 예측을 위한 그래프 신경망

A Graph Neural Network for Global Daily Fire Radiative Power Prediction at Medium-Range Lead Times

수일 전 생체량 연소(biomass-burning) 활동을 숙련되게 예측하는 것은 대기질 예보 및 에어로졸 예측에 중요합니다. 본 연구는 두 가지 운영상의 제약 조건에서 출발합니다. 첫째, NOAA의 GEFS-Aerosols를 초기화하는 데 사용되는 GBBEPx 위성 화재 복사 강도(FRP, Fire Radiative Power) 산출물은 약 1.5일의 지연 시간(latency)을 두고 제공되므로, 각 예보 주기는 가장 최근에 사용 가능하지만 이미 구식이 된 화재 관측치에 의존합니다. 둘째, 이러한 화재 입력값은 후속 5일간의 운영 예보 기간(또는 GSL 실험 시스템에서는 7일간) 내내 고정되어 유지되며, 사실상 화재 활동의 변화가 없다고 가정합니다. 본 연구에서는 가장 최근에 가용한 관측치를 바탕으로 1~7일 후의 전 지구 FRP를 예측하는 데이터 기반 모델을 개발합니다. 이 모델은 재분석 기상 자료, 토지 피복 및 식생 정보, 최근 화재 이력, 그리고 학습 목표로서의 GBBEPx FRP를 활용하는 시공간 그래프 신경망(GNN)을 적용합니다. 2020~2022년 데이터로 학습되었으며 2023~2024년 데이터로 평가되었습니다. 모델은 전 지구적 계절 주기를 재현하며 지속성(persistence) 기준선보다 크게 우수한 성능을 보입니다. 0.1$^\circ$ 해상도에서 평균 제곱 오차(MSE)는 2023년 기준으로 1일 리드 타임에서 32%, 7일 리드 타임에서 43% 감소했고, 2024년에는 각각 24%와 40% 감소했습니다. 1$^\circ$ 해상도에서 임계 성공 지수(CSI)는 0.32에서 0.60 범위를 나타냅니다. 탐지 성능은 리드 타임에 따라 완만하게만 감소하는 반면, 강도 예측 성능은 더 빠르게 저하됩니다. 대형 화재는 안정적으로 탐지되지만, 그 복사 강도는 체계적으로 과소평가됩니다. 이러한 결과는 며칠 앞선 화재 활동의 유용한 예측 가능성을 보여주며, 예측된 FRP가 현업 에어로졸 예보를 지원하기 전에 해결해야 할 주요 과제로 강도 보정과 소규모 화재 위치 파악을 규명합니다.

arXiv:2608.20980v2cs.LG공통 태그 Time Series Forecasting, Graph Neural Network

시공간 예측 벤치마크 데이터셋 및 모델에 대한 비판적 감사

A Critical Audit of Spatiotemporal Forecasting Benchmark Datasets and Models

그래프 신경망(GNN)은 시공간 예측(spatiotemporal forecasting)에 일상적으로 활용되고 있으나, 널리 사용되는 벤치마크 데이터셋 전반에서 일관되지 않은 성능을 보입니다. 본 연구에서는 벤치마크의 품질과 이로부터 도출된 결론의 강건성(robustness)을 평가하기 위해 데이터셋 특성과 기준선 모델에 대한 감사를 수행합니다. 고전 통계 도구를 활용하여 벤치마크 내 시공간 시차 의존성(spatiotemporal lagged dependencies)을 특성화하고, 시간 차분(temporal differencing)이 이러한 관계를 어떻게 변화시키며 모델 순위에 어떠한 영향을 미치는지 조사합니다. 이를 바탕으로 시간 선형 기준선을 재평가한 결과, 여러 벤치마크에서 GNN의 겉보기 성능 향상이 크게 감소했으며 다른 벤치마크에서는 GNN을 능가하기도 했습니다. GNN이 선형적인 노드별 신호를 추출하는 데 어려움을 겪는다는 점에 착안하여, 자기회귀 잔차(autoregressive residuals)를 공급했을 때 특히 비교통(non-traffic) 벤치마크에서 GNN의 성능이 향상됨을 확인했습니다. 마지막으로 통제된 합성 실험을 통해 GNN이 시간적 역학(temporal dynamics)과 공간 그래프 상호작용의 이질성에 민감하다는 점을 밝혔습니다. 종합적으로 본 연구 결과는 기준선 설정, 데이터 전처리, 시스템 이질성이 벤치마크 순위에서 도출되는 해석을 좌우함을 입증하며, 향후 GNN의 설계와 강건한 평가를 위한 통찰을 제공합니다.

arXiv:2609.27637v1cs.LG공통 태그 Time Series Forecasting, Graph Neural Network

대규모 교통 예측을 위한 국소 이질성 및 지역 간 컨텍스트 학습

Learning Local Heterogeneity and Cross-Region Context for Large-Scale Traffic Forecasting

교통 흐름 예측은 지능형 교통 시스템에 필수적이다. 대규모 교통 예측은 국소 공간적 의존성과 지역 간 컨텍스트를 공동으로 모델링해야 한다. 지리적으로 인접한 노드 간 공간적 의존성은 도로 유형과 이동 방향의 차이로 인해 이질적이며, 모든 노드 쌍 상호작용을 통해 전역 정보를 획득하는 것은 상당한 계산 비용을 초래한다. 따라서 국소 이질성을 포착하면서 장거리 컨텍스트를 효율적으로 획득하는 것은 대규모 교통 예측에서 여전히 중요한 과제로 남아 있다. 이러한 과제를 해결하기 위해, 우리는 노드 이웃과 도로 네트워크 지역이라는 두 가지 상보적 세분성에서 공간적 의존성을 모델링하는 Local-Region Spatial Temporal(LoReST) 네트워크를 제안한다. 구체적으로, 관계 인지 국소 집계는 도로 및 방향별 특징 변환을 통해 지리적 이웃 내 이질적 의존성을 포착한다. 지역 간 상호작용은 평균 풀링을 통해 지역 표현을 구성하고, 지역 간 어텐션을 통해 장거리 컨텍스트를 교환한 뒤 이를 노드로 다시 전파한다. 국소 정보 집계와 지역 간 상호작용을 통합함으로써 LoReST는 대규모 도로 네트워크에서 공간적 의존성 학습을 효과적으로 수행할 수 있다. LargeST 벤치마크의 네 개 데이터셋에 대한 실험은 MAE, RMSE, MAPE에서 각각 평균 상대 감소율 4.78%, 3.60%, 5.75%를 보여준다.

arXiv:2609.28085v1cs.LG공통 태그 Scheduling, Graph Neural Network

잡 샵 스케줄링을 위한 GNN 기반 강화학습에서의 커리큘럼 러닝

Curriculum Learning with GNN-based Reinforcement Learning for Job Shop Scheduling

잡 샵 스케줄링 문제(job shop scheduling problem)는 까다로운 조합 최적화(combinatorial optimization) 문제이며, 최근 그래프 신경망(GNN)을 활용한 강화학습(RL) 접근법은 문제 인스턴스로부터 스케줄링 정책을 직접 학습하는 데 유망함을 보여주었다. 그러나 대규모 인스턴스에 대한 학습은 여전히 연산 비용이 많이 들고, 다양한 인스턴스 크기에 걸친 일반화는 여전히 어려운 과제로 남아 있다. 본 논문에서는 잡 샵 스케줄링 문제에서 그래프 신경망 기반 강화학습을 위한 커리큘럼 러닝(curriculum learning)을 연구하며, 세 가지 타깃 크기인 20 x 20, 25 x 25, 30 x 30에 대해 단일 크기 학습(single-size training)과 비교한다. 커리큘럼 환경에서는 정책을 먼저 더 작은 인스턴스에서 학습시킨 후 점진적으로 더 큰 타깃 크기에 적응시켜, 초기 단계에서 학습된 스케줄링 동작이 더 큰 인스턴스에서의 학습을 뒷받침하도록 한다. 모델은 모든 평가 크기에 걸친 일반화와 타깃 크기에 대한 특화(specialization)를 모두 고려하여, 최적성 갭(optimality gap)을 사용해 8 x 8부터 30 x 30까지의 미확인(unseen) 인스턴스에서 평가된다. 실험 결과에 따르면 커리큘럼 러닝은 실제 학습 소요 시간(wall-clock training time)을 일관되게 단축하며, 타깃 크기가 커질수록 그 이점이 더 커지는 것으로 나타났다. 가장 강력한 이점은 30 x 30에서 관찰되었는데, 커리큘럼 러닝은 모든 평가 크기에 걸친 평균 최적성 갭을 약 8.1%포인트 줄이고, 타깃 크기의 평균 최적성 갭을 약 8.6%포인트 줄였으며, 학습 시간을 약 50시간 절약했다.

arXiv:2607.22590v1math.OC공통 태그 Scheduling, Time Series Forecasting

DRP-FLR: 스마트 그리드 유연 부하 조절을 위한 수요 반응 잠재력의 데이터 기반 평가

DRP-FLR: Data-Driven Assessment of Demand Response Potential for Flexible Load Regulation in Smart Grids

AI 워크로드와 재생에너지 자원의 급속한 증가는 전력 시스템의 수급 불균형을 악화시켜, 효율적 배분을 위해 설계된 기존 부하 조절 방식이 부적절해지게 하며, 스마트 그리드에서 부하 제어 가능성을 확보하기 위한 수요 반응(DR) 메커니즘의 필요성을 촉발한다. 그러나 기존 DR 중심 접근법은 전기 요금 또는 거주자 편의성 최적화에만 초점을 맞추어 시스템 수준의 균형에 대한 이점이 제한적이다. 다른 접근법들은 이질적 에너지 개체의 다양하고 동적인 소비 패턴을 간과하여 상당한 과조절 또는 저조절을 초래한다. 따라서 우리는 DRP-FLR을 제안한다. 첫째, DRP-FLR은 외생적 지식(예: 개체 정보, 예측 시점)을 역사적 부하 표현에 임베딩하여 정확한 단기 부하 예측을 달성한다. 다음으로, 역사적 부하 곡선을 클러스터링하여 개체별 부하 패턴 프로파일을 구성하고, 예측된 부하와 패턴 프로파일을 매칭하여 DR 잠재력을 추정한다. 마지막으로, DRP-FLR은 유연 부하 조절을 혼합 정수 최적화 문제로 공식화하고 MILP 솔버로 이를 풀어 DR 활용, 참여자 경제적 이익, 재생에너지 수용을 공동으로 최적화하면서 수급 균형과 경제적 실현 가능성을 강제한다. 지역 그리드와 캠퍼스 마이크로그리드에서의 실험은 DRP-FLR이 조절 편차를 36.63%-91.87% 감소시키고 참여자 이익을 평균 44.66% 개선함을 보여준다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.