Link Adaptation Using Joint-Thompson Sampling

Résumé Technique : Adaptation de Liaison par Échantillonnage de Thompson Conjoint

Formulation du Problème
L'adaptation de liaison (LA - Link Adaptation) est une fonction critique de la couche MAC (Medium Access Control) responsable de la sélection des paramètres de transmission optimaux, spécifiquement le schéma de modulation et de codage (MCS), afin de maximiser le débit sous une contrainte de taux d'erreur de bloc (BLER). Dans les scénarios descendants (downlink), la station de base (gNB) ne dispose pas d'informations directes sur l'état du canal et dépend du retour de l'indice de qualité de canal (CQI) de l'équipement utilisateur (UE). Les approches traditionnelles, telles que l'OLLA (Outer Loop Link Adaptation), utilisent les statistiques ACK/NACK pour ajuster les décalages du rapport signal sur interférence plus bruit (SINR). Cependant, l'OLLA est souvent lente à s'adapter aux canaux changeant rapidement (décalages Doppler élevés) et manque de granularité par état de CQI.

La littérature récente a modélisé la LA comme un problème de bandit multi-bras (MAB - Multi-Armed Bandit), où chaque MCS représente un « bras » avec une probabilité de succès inconnue. Bien que des algorithmes comme l'Upper Confidence Bound (UCB) et le Thompson Sampling (TS) standard aient été appliqués, ils traitent généralement les bras MCS comme indépendants. Cette hypothèse d'indépendance ne parvient pas à capturer une propriété physique fondamentale des canaux sans fil : la monotonicité des probabilités de succès. Plus précisément, les indices MCS plus faibles (modulations plus robustes) possèdent intrinsèquement des probabilités de succès plus élevées que les indices MCS plus élevés (efficacité spectrale plus élevée) pour une condition de canal donnée ($\theta_1 \ge \theta_2 \ge \dots \ge \theta_K$). Les solutions MAB existantes qui ignorent cette contrainte peuvent échantillonner des configurations infaisables ou converger de manière sous-optimale, particulièrement lorsque le retour CQI est indisponible ou que les conditions du canal sont hautement dynamiques.

Méthodologie : Échantillonnage de Thompson Conjoint (Joint-TS)
Le document propose le Joint-Thompson Sampling (Joint-TS), un algorithme conçu pour préserver explicitement la monotonicité des probabilités de succès des MCS tout au long du processus d'apprentissage.

1. Prior de Beta Multivarié Ordonné (MOB) : Contrairement au TS classique, qui suppose des distributions Beta indépendantes pour chaque bras, le Joint-TS utilise une distribution de Beta Multivarié Ordonné (MOB) comme prior. Cette distribution est définie sur le simplexe $S = \{ \theta \in [0, 1]^K \mid \theta_1 \ge \theta_2 \ge \dots \ge \theta_K \}$. En échantillonnant à partir de cette distribution jointe, l'algorithme garantit que chaque ensemble échantillonné de probabilités de succès respecte la contrainte de monotonicité physique.
2. Échantillonnage de Gibbs pour l'Inférence : L'échantillonnage direct à partir de la distribution MOB est non trivial. Les auteurs emploient une technique d'échantillonnage de Gibbs (une méthode de Monte Carlo par chaîne de Markov) pour générer des échantillons. Le cœur de cette approche repose sur le lemme selon lequel la distribution conditionnelle de n'importe quel bras $\Theta_i$, étant donné les autres, suit une distribution Beta Restreinte bornée par les valeurs de ses voisins ($\theta_{i+1} \le \Theta_i \le \theta_{i-1}$).
3. Flux de l'Algorithme : À chaque étape temporelle, le Joint-TS :
   • Échantillonne un vecteur de probabilités de succès $(\Theta_1, \dots, \Theta_K)$ à partir du posterior MOB actuel en utilisant l'échantillonnage de Gibbs.
   • Sélectionne le bras MCS $I_t$ qui maximise l'espérance de la récompense ($s_i \cdot \Theta_i$).
   • Observe la récompense (ACK/NACK) et met à jour les paramètres du bras sélectionné. En raison de la distribution jointe, cette mise à jour influence implicitement le posterior de tous les autres bras, maintenant la contrainte de monotonicité sans nécessatif de réordonnancement explicite.

Contributions Clés

• MAB Sensible à la Monotonicité : Le document introduit le Joint-TS, le premier algorithme de LA basé sur le MAB qui impose rigoureusement la nature ordonnée des probabilités de succès des MCS en utilisant un prior multivarié, plutôt que de traiter les bras comme des entités indépendantes.
• Mécanisme d'Échantillonnage : Les auteurs proposent une méthode pratique d'échantillonnage de Gibbs pour tirer des échantillons de la distribution MOB, répondant au défi computationnel de l'échantillonnage de distributions multivariées ordonnées.
• Robustesse aux Limites du CQI : Le travail démontre que le Joint-TS maintient ses performances même lorsque le retour CQI est indisponible, un scénario où les algorithmes unimodaux de pointe (comme l'UTS) et les algorithmes dépendants de tables (comme le Latent-TS) se dégradent considérablement.

Résultats de Simulation
Les auteurs ont évalué le Joint-TS par rapport à l'OLLA, au Modified Thompson Sampling (MTS), à l'Unimodal Thompson Sampling (UTS) et au Latent-TS (LTS) en utilisant des configurations MCS 5G NR (29 niveaux) dans des environnements de canaux statiques et avec décalage Doppler.

• Canaux Statiques : Dans des conditions statiques avec un CQI parfait, le Joint-TS a atteint un débit compétitif (ex: 2,54 bps/Hz à 10 dB de SINR) comparable au LTS (2,68 bps/Hz).
• Scénarios à Haut Décalage Doppler (Mobilité) :
  • Avec CQI Parfait : Alors que l'UTS et le LTS performaient bien à de faibles décalages Doppler, le LTS se dégradait considérablement à un décalage élevé (111 Hz). Le Joint-TS a maintenu un débit stable (1,56 bps/Hz) comparable à l'UTS, surpassant le LTS (1,29 bps/Hz).
  • Sans CQI : En l'absence de retour CQI, l'UTS a fortement souffert (chutant à 1,34 bps/Hz à 111 Hz). Le LTS a maintenu un débit élevé dans les réglages de Doppler faible à moyen mais a montré une dégradation. Le Joint-TS a démontré une robustesse constante à travers tous les décalages Doppler, maintenant un débit (1,32 bps/Hz à 111 Hz) supérieur à l'UTS et au MTS, et compétitif avec le LTS.

Signification et Revendications
Le document affirme que le Joint-TS offre une approche fondée sur des principes pour l'adaptation de liaison qui exploite la structure inhérente des canaux sans fil. En utilisant la distribution MOB, l'algorithme évite l'inefficacité de l'exploration de combinaisons de MCS infaisables. Les auteurs soulignent que bien que les algorithmes existants (comme le CoTS) tentent d'exploiter la monotonicité, leurs techniques d'échantillonnage peuvent ne pas adhérer strictement aux propriétés de la distribution jointe.

La principale signification du Joint-TS réside dans sa robustesse. Les simulations indiquent que si d'autres algorithmes échouent dans des scénarios spécifiques — tels que les environnements à haute mobilité ou lorsque le retour CQI est manquant — le Joint-TS délivre un débit constant et compétitif. Les auteurs positionnent le Joint-TS comme une solution qui ne dépend pas de tables de recherche préexistantes et potentiellement inexactes (contrairement au LTS) et qui s'adapte rapidement à la dynamique changeante des canaux sans réglage manuel des paramètres. Le travail suggère que l'imposition de contraintes physiques (monotonicité) au sein du cadre probabiliste du MAB conduit à une performance supérieure dans les environnements sans fil pratiques et dynamiques.