Scalable spatial–geometric–temporal graph learning for radio resource management in wireless communication

Marwani, Maher (2026). Scalable spatial–geometric–temporal graph learning for radio resource management in wireless communication. Thèse de doctorat électronique, Montréal, École de technologie supérieure.

Prévisualisation

PDF Télécharger (9MB) | Prévisualisation

Résumé

Next-generation wireless networks, such as 6G and device to device (D2D) communications, must accommodate an ever growing number of users, channels, and quality of service (QoS) requirements. This increasing complexity makes traditional optimization based approaches inadequate for real time, large-scale network operation.

This thesis, presented in the form of research articles, investigates the use of graph neural networks (GNNs) for the joint tasks of power control and spectrum allocation in wireless networks. The following three main contributions are proposed:
1. A GNN CNN model capable of processing non-Euclidean interference graphs to enable efficient, scalable joint allocation, while maintaining robustness under imperfect channel state information (CSI);
2. An unsupervised spatial and geometric learning framework combining a variational spatial autoencoder and a variational graph autoencoder, which enables generalization to variable size networks without retraining;
3. An event-based temporal graph neural network that models continuous time dynamic graphs (CTDGs), allowing adaptation to high mobility environments and rapidly changing network topologies.

Experimental results show that the proposed methods outperform both heuristic and conventional deep learning baselines in terms of average throughput, QoS satisfaction, and generalization capability, while also reducing computational complexity.

Titre traduit

Apprentissage de graphes spatial géométrique temporel évolutif pour la gestion des ressources radio dans les réseaux sans fil

Résumé traduit

Les réseaux sans fil de nouvelle génération, tels que la 6G et les communications appareil à appareil (D2D), doivent prendre en charge un nombre toujours croissant d’utilisateurs, de canaux et d’exigences de qualité de service (QoS). Cette complexité croissante rend les approches traditionnelles fondées sur l’optimisation inadaptées au fonctionnement des réseaux à grande échelle en temps réel.

Cette thèse, présentée sous forme d’articles de recherche, étudie l’utilisation des réseaux de neurones à graphes (GNN) pour les tâches conjointes de contrôle de puissance et d’allocation de spectre dans les réseaux sans fil. Trois contributions principales sont proposées :
1. Un modèle GNN CNN capable de traiter des graphes d’interférence non euclidiens afin de permettre une allocation conjointe efficace et évolutive, tout en restant robuste en présence d’informations d’état de canal (CSI) imparfaites.
2. Un cadre d’apprentissage spatial et géométrique non supervisé combinant un autoencodeur variationnel spatial et un autoencodeur variationnel de graphes, permettant la généralisation à des réseaux de taille variable sans réentraînement.
3. Un réseau de neurones à graphes temporel basé sur les événements, qui modélise des graphes dynamiques continus dans le temps (CTDG), permettant l’adaptation aux environnements à forte mobilité et aux topologies de réseau changeant rapidement.

Les résultats expérimentaux montrent que les méthodes proposées surpassent les approches heuristiques ainsi que les références d’apprentissage profond conventionnelles en termes de débit moyen, de respect des contraintes de QoS et de capacité de généralisation, tout en réduisant la complexité de calcul.

Type de document:	Mémoire ou thèse (Thèse de doctorat électronique)
Renseignements supplémentaires:	"Manuscript-based thesis presented to École de technologie supérieure in partial fulfillment for the degree of Doctor of Philosophy". Comprend des références bibliographiques (pages 147-157).
Mots-clés libres:	réseaux de neurones à graphes, gestion des ressources radio, allocation de spectre, contrôle de puissance, 6G
Directeur de mémoire/thèse:	Directeur(-trice) Kaddoum, Georges
Programme:	Doctorat en génie > Génie
Date de dépôt:	01 juin 2026 14:32
Dernière modification:	01 juin 2026 14:32
URI:	https://espace.etsmtl.ca/id/eprint/3933

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt