Rate Splitting for Interference Channels with Deep Reinforcement Learning

Abstract

In recent advancements within communication systems, the rate-splitting multiple access (RSMA) technique has emerged as a crucial strategy to address interference, a persistent challenge in modern communication systems. This study examines the detailed application of precoding methodologies within RSMA, focusing on the complex environment of multiple-antenna interference channels and leveraging the capabilities of deep reinforcement learning. The primary objective is to optimize precoders and allocate transmit power for both common and private data streams, requiring a nuanced approach involving multiple decision-makers within a continuous action space. To address this challenge, the study proposes the utilization of a multiagent deep deterministic policy gradient (MADDPG) framework. Within this framework, decentralized agents operate with partial observability but collectively learn from a centralized critic, navigating a multi-dimensional continuous policy space to optimize actions. Simulation outcomes highlight the effectiveness of the proposed rate-splitting method, achieving the information-theoretical upper bound for the sum rate in the single-antenna scenario. Even in multiple-antenna settings, its performance closely approaches this theoretical limit, outperforming benchmarks set by other techniques such as MADDPG without rate-splitting, maximal ratio transmission, zero-forcing, and leakage-based precoding methods. These compelling results emphasize the promising potential of this deep reinforcement learning-driven RSMA approach in communication systems by substantially mitigating interference and optimizing transmission rates and overall system performance.

Alternate abstract:

İletişim sistemlerindeki son gelişmeler ile, hız bölmeli çoklu erişim tekniği (RSMA) tekniği, çağdaş iletişim sistemlerindeki süregelen bir sorun olan girişimi ele almak için önemli bir strateji olarak ortaya çıkmıştır. Bu çalışma, RSMA içinde ön kodlama yöntemlerinin detaylı bir şekilde uygulanmasını inceleyerek. özellikle çok antenli gi- rişim kanallarının karmaşık alanına odaklanarak, derin pekiştirmeli öğrenmenin yete- neklerinden yararlanmayı amaçlamaktadır. Temel amaç, ortak ve özel olarak adlandı- rılan her iki tür veri akışı için ön kodlayıcıları ve iletim gücünü optimize etmektir ve bu da sürekli bir eylem alanında çoklu karar vericiyi içeren detaylı bir yaklaşım ge- tektirir. Bu zorluğu ele almak için çalışma, çoklu ajan derin belirli politika gradyanı (MADDPG) çerçevesinin kullanılmasını önermektedir. Bu çerçeve içinde, dağıtılmış ajanlar kısmi gözlem yeteneğiyle çalışır ancak merkezi bir eleştirmenden birlikte öğ- renir, çok boyutlu bir sürekli politika alanında gezinerek eylemleri optimize eder. Si- mülasyon sonuçları, önerilen hız-bölme yönteminin etkinliğini vurgular ve tek anten senaryosunda toplam hız için bilgi teorik üst sınırına ulaştığını gösterir. Çoklu an-tenli ortamlarda bile performansı bu teorik üst sınır ile yakındır ve aynca hız-bölümü kullanmadan MADDPG, maksimum oranlı iletim, sıfıra zorlama ve sızıntı tabanlı ön kodlama gibi diğer tekniklerin belirlediği referansları aşar. Bu sonuçlar, bu de- rin öğrenme destekli RSMA yaklaşımının, girişimi önemli ölçüde azaltarak iletişim sistemlerinde iletim hızlarını ve genel sistem performansını iyileştirme potansiyelini vurgular.