Link Adaptation Using Joint-Thompson Sampling

Sintesi Tecnica: Adattamento del Link tramite Joint-Thompson Sampling

Formulazione del Problema
L'Adattamento del Link (LA) è una funzione critica dello strato MAC (Medium Access Control) responsabile della selezione dei parametri di trasmissione ottimali, specificamente lo Schema di Modulazione e Codifica (MCS), per massimizzare il throughput sotto un vincolo di Tasso di Errore di Blocco (BLER). Negli scenari downlink, la stazione base (gNB) non dispone di informazioni dirette sullo stato del canale e si affida al feedback dell'Indice di Qualità del Canale (CQI) proveniente dall'User Equipment (UE). Gli approcci tradizionali, come l'Outer Loop Link Adaptation (OLLA), utilizzano le statistiche ACK/NACK per regolare gli offset del Rapporto Segnale-Interferenza più Rumore (SINR). Tuttavia, l'OLLA è spesso lento nell'adattarsi a canali che cambiano rapidamente (elevati spostamenti Doppler) e manca di granularità per stato CQI.

La letteratura recente ha modellato l'LA come un problema Multi-Armed Bandit (MAB), dove ogni braccio MCS rappresenta un "braccio" con una probabilità di successo sconosciuta. Sebbene algoritmi come l'Upper Confidence Bound (UCB) e il Thompson Sampling (TS) standard siano stati applicati, essi tipicamente trattano i bracci MCS come indipendenti. Questa ipotesi di indipendenza non riesce a catturare una proprietà fisica fondamentale dei canali wireless: la monotonicità delle probabilità di successo. Nello specifico, gli indici MCS più bassi (modulazioni più robuste) possiedono intrinsecamente probabilità di successo più elevate rispetto agli indici MCS più alti (maggiore efficienza spettrale) per una data condizione di canale ($\theta_1 \ge \theta_2 \ge \dots \ge \theta_K$). Le soluzioni MAB esistenti che ignorano questo vincolo possono campionare configurazioni non fattibili o convergere in modo sub-ottimale, particolarmente quando il feedback CQI non è disponibile o le condizioni del canale sono altamente dinamiche.

Metodologia: Joint-Thompson Sampling (Joint-TS)
Il documento propone il Joint-Thompson Sampling (Joint-TS), un algoritmo progettato per preservare esplicitamente la monotonicità delle probabilità di successo degli MCS durante l'intero processo di apprendimento.

1. Prior Multivariate Ordered Beta (MOB): A differenza del TS classico, che assume distribuzioni Beta indipendenti per ogni braccio, il Joint-TS utilizza una distribuzione Multivariate Ordered Beta (MOB) come prior. Questa distribuzione è definita sul simplesso $S = \{ \theta \in [0, 1]^K \mid \theta_1 \ge \theta_2 \ge \dots \ge \theta_K \}$. Campionando da questa distribuzione congiunta, l'algoritmo garantisce che ogni insieme campionato di probabilità di successo soddisfi il vincolo fisico di monotonicità.
2. Gibbs Sampling per l'Inferenza: Il campionamento diretto dalla distribuzione MOB è non banale. Gli autori impiegano una tecnica di Gibbs sampling (un metodo Markov Chain Monte Carlo) per generare campioni. Il nucleo di questo approccio si basa sul lemma secondo cui la distribuzione condizionale di qualsiasi singolo braccio $\Theta_i$, dato l'altro, segue una distribuzione Beta Restritta limitata dai valori dei suoi vicini ($\theta_{i+1} \le \Theta_i \le \theta_{i-1}$).
3. Flusso dell'Algoritmo: Ad ogni passo temporale, il Joint-TS:
   • Campiona un vettore di probabilità di successo $(\Theta_1, \dots, \Theta_K)$ dalla attuale posterior MOB utilizzando il Gibbs sampling.
   • Seleziona il braccio MCS $I_t$ che massimizza il reward atteso ($s_i \cdot \Theta_i$).
   • Osserva il reward (ACK/NACK) e aggiorna i parametri del braccio selezionato. Grazie alla distribuzione congiunta, questo aggiornamento influenza implicitamente la posterior di tutti gli altri bracci, mantenendo il vincolo di monotonicità senza richiedere un riordinamento esplicito.

Contributi Chiave

• MAB Consapevole della Monotonicità: Il documento introduce il Joint-TS, il primo algoritmo di LA basato su MAB che impone rigorosamente la natura ordinata delle probabilità di successo degli MCS utilizzando un prior multivariato, invece di trattare i bracci come entità indipendenti.
• Meccanismo di Campionamento: Gli autori propongono un metodo pratico di Gibbs sampling per estrarre campioni dalla distribuzione MOB, affrontando la sfida computazionale del campionamento da distribuzioni multivariate ordinate.
• Robustezza alle Limitazioni del CQI: Il lavoro dimostra che il Joint-TS mantiene le prestazioni anche quando il feedback CQI non è disponibile, uno scenario in cui gli algoritmi unimodali allo stato dell'arte (come UTS) e gli algoritmi dipendenti da tabelle (come Latent-TS) degradano significativamente.

Risultati delle Simulazioni
Gli autori hanno valutato il Joint-TS rispetto a OLLA, Modified Thompson Sampling (MTS), Unimodal Thompson Sampling (UTS) e Latent-TS (LTS) utilizzando configurazioni MCS 5G NR (29 livelli) sia in ambienti di canale statici che con spostamento Doppler, sia in presenza di CQI perfetto che in assenza di esso.

• Canali Statici: In condizioni statiche con CQI perfetto, il Joint-TS ha raggiunto un throughput competitivo (es. 2.54 bps/Hz a 10 dB SINR) comparabile al LTS (2.68 bps/Hz).
• Scenari ad Alto Doppler (Mobilità):
  • Con CQI Perfetto: Mentre UTS e LTS hanno performato bene a bassi spostamenti Doppler, il LTS è degradato significativamente ad alti spostamenti Doppler (111 Hz). Il Joint-TS ha mantenuto un throughput stabile (1.56 bps/Hz) comparabile a UTS, superando il LTS (1.29 bps/Hz).
  • Senza CQI: In assenza di feedback CQI, l'UTS ha faticato significativamente (scendendo a 1.34 bps/Hz a 111 Hz). Il LTS ha mantenuto un throughput elevato in contesti di basso-medio Doppler ma ha mostrato degradazione. Il Joint-TS ha dimostrato una robustezza costante attraverso tutti gli spostamenti Doppler, mantenendo un throughput di 1.32 bps/Hz a 111 Hz, superiore a UTS e MTS, e competitivo con LTS.

Significatività e Claim
Il documento sostiene che il Joint-TS offre un approccio rigoroso all'Adattamento del Link che sfrutta la struttura intrinseca dei canali wireless. Utilizzando la distribuzione MOB, l'algoritismo evita le inefficienze dell'esplorazione di combinazioni MCS non fattibili. Gli autori evidenziano che, sebbene gli algoritmi esistenti (come CoTS) tentino di sfruttare la monotonicità, le loro tecniche di campionamento potrebbero non aderire strettamente alle proprietà della distribuzione congiunta.

La significatività primaria del Joint-TS risiede nella sua robustezza. Le simulazioni indicano che mentre altri algoritmi falliscono in scenari specifici — come ambienti ad alta mobilità o quando il feedback CQI è assente — il Joint-TS fornisce un throughput consistente e competitivo. Gli autori posizionano il Joint-TS come una soluzione che non dipende da tabelle di lookup preesistenti e potenzialmente imprecise (a differenza di LTS) e si adatta rapidamente alle dinamiche di canale variabili senza necessità di tuning manuale dei parametri. Il lavoro suggerisce che l'imposizione di vincoli fisici (monotonicità) all'interno del framework probabilistico di MAB porti a prestazioni superiori in ambienti wireless pratici e dinamici.