Leakage-Aware 5G Infill-Site Prioritization via Robust Submodular Portfolio Optimization

技術要約：堅牢な劣モジュラ・ポートフォリオ最適化によるリーケージ（漏洩）を考慮した5Gインフィルサイトの優先順位付け

問題提起
本論文は、「ブラウンフィールド」における5Gネットワーク拡張の課題に取り組んでいる。そこでは、モバイルオペレーターが将来の混雑が観測される前に、アップグレード対象となる既存の物理マクロサイトの固定サイズ・ポートフォリオを選択しなければならない。核心となる困難さは、複数の、しばしば相反する目的をバランスさせることにある。すなわち、将来のトラフィック需要の捕捉、都市間での地域的なサービスバランスの確保、エンジニアリング・ワークロード（複雑性）の管理、および空間的な冗長性の回避である。トラフィック予測のみや、現在のバックフローによる単純なランキングに依存する従来の手法は、高トラフィック地区にリソースを集中させすぎ、地域の公平性を無視し、あるいは限界的な展開価値が低いにもかかわらずエンジニアリングコストが高いサイトを選択してしまう傾向がある。著者らは、サイト選択は「集合決定問題」であり、あるサイトの価値は既に選択された他のサイトに依存するという特性を持つと考えている。これは、標準的なポイントワイズ（点別）予測モデルでは捉えきれない特性である。

手法：ARGO-5G
著者らは、ARGO-5Gと名付けられた、堅牢な劣モジュラ・ポートフォリオ最適化フレームワークを提案している。これは「リーケージを意識した（leakage-aware）」設計となっており（すなわち、意思決定に将来のデータを使用しない）、以下の3つの主要コンポーネントで構成されている。

1. 好みに強いユーティリティ構築:
   単一の固定された基準の重み付け（ユーザー数、バックフロー、トラフィック強度など）に頼るのではなく、本モデルは計画上の好みが不確実であることを前提としている。ディリクレ分布を用いて好みの重みをサンプリングし、各サイトに対してリスク調整済みのユーティリティを算出する。このユーティリティ（$\rho_i$）は、平均的な好みスコアから、スコアの分散に比例するリスク項（$\gamma \sigma_i$）を引いたものとして定義される。最終的な展開可能スコア（$a_i$）は、このリスク調整済みユーティリティと、現期間からの直接的な証拠（12月の負荷）を、パラメータ $\omega$ で重み付けして組み合わせたものである。極めて重要な点は、将来のラベル（1月のデータ）は厳格に封印されており、評価にのみ使用されることである。

2. 劣モジュラ集合目的関数:
   選択問題は、基数制約 $K$ の下で集合関数 $F(S)$ を最大化するものとして定式化される。目的関数は以下の3つの項を組み合わせている：

   • 需要・複雑性ユーティリティ ($U(S)$): リスク調整済みスコアの総和から、エンジニアリングの複雑性に対するペナルティ（$\eta c_i$）を差し引いたもの。
   • 空間的多様性 ($D(S)$): 地理的なランドマークへのハバサイン距離に基づく項であり、ランドマーク付近のサイトが選択されるにつれて収穫逓減（劣モジュラ性）が生じるようにモデル化されている。
   • 都市サービス飽和度 ($Q(S)$): さまざまな都市のカバー率を報酬として与えるが、都市固有の閾値（$\tau_c$）に達した時点でその寄与を飽和させ、少数の都市への過度な集中を防ぐ。

   著者らは、非負の重みの下で、この目的関数が単調劣モジュラであることを証明している。この特性により、最適解に対して $(1 - 1/e)$ の理論的な近似保証を持つ**貪欲アルゴリズム（greedy algorithm）**の使用が可能となる。

3. 時間的検証プロトコル:
   本研究では、厳格な時間的ホールドアウトを採用している。12月のデータはスコアリングと最適化に使用され、1月のデータは封印される。別途、「遡及的監査（retrospective audit）」として、都市ごとにグループ化された勾配ブースティングモデルを用いて1月の負荷を予測するが、この予測器は、データリーケージを避けるために、実際の展開ポートフォリオの構築には明示的に使用されない。

主な貢献

• 定式化: 5Gインフィルサイトの優先順位付けを、予測信号の生成と実際の集合決定を区別した、時間的に分離されたリーケージを意識したポートフォリオ選択タスクとして定式化した。
• 監査可能な目的関数: 好み・リスク・ユーティリティ（ディリクレ・サンプリング経由）、空間的ランドマーク・カバレッジ、都市サービス飽和度、およびエンジニアリングの複雑性の較正を結合した、閉形式（closed-form）の目的関数を導出した。
• アルゴリズム・フレームワーク: 実世界の展開制約を最適化しながら、代理目的関数に対して理論的保証を提供する、監査可能な貪欲アルゴリズムであるARGO-5Gを導入した。
• 包括的な評価: 本フレームワークは、16都市、130の郡/地区にわたる14,129の物理マクロサイトのデータセットを用いて評価されている。評価には、トラフィックのみ、マルチ基準、およびクォータ（割当）ベースのベースラインとの比較に加え、広範なアブレーション解析、パレート・ランドスケープ分析、およびストレス・テスト（疑似ウィンドウおよび好みのストレス・テスト）が含まれる。

結果
予算 $K=100$ のサイトにおいて、ARGO-5G-C（複雑性ペナルティを組み込んだバリアント）は、12月のプロキシ・ランキング・ベースラインと比較して以下の結果を達成した：

• 将来の負荷捕捉: 全体の1月の負荷の**1.334%**を捕捉した。これはベースライン（1.343%）とほぼ同等であり、理論的なオラクル（1.385%）に近い数値である。
• 地域バランス: Jain都市サービス指数を0.417から0.695へと向上させ、カバーされた都市数を10から16へと増加させた。
• エンジニアリング効率: 選択されたセルレコード数を216から190へと減少させ、高複雑度サイトの割合を49.0%から**32.0%**へと低下させた。
• 堅牢性: アルゴリズムは、さまざまな感度スイープ、好みのストレス・テスト、および較正されたドリフト・シミュレーションを通じて高い捕捉率を維持しており、バランスと効率の向上が需要捕捉を犠牲にしていないことを示した。
• アブレーション: 成分分析により、都市飽和項がバランスの向上を、複雑性ペナルティがワークロードの削減を、そして好みの堅牢性が（この特定の予算においては）集計的なバランスを変えることなくユーティリティを安定させたことが確認された。

意義と主張
本論文は、ARGO-5Gが、モバイル・トラフィック分析とオペレーター向けの5Gアップグレード計画との間の再現可能な架け橋を提供すると主張している。その主要な意義は、予測精度だけではネットワーク計画には不十分であることを示す点にある。すなわち、需要の捕捉、サービスの公平性、およびエンジニアリングの制約の間のトレードオフを管理するために、予測信号を制約付きの集合決定へと規律を持って変換するプロセスが必要である。

著者らは、本研究の価値は新しいトラフィック予測器にあるのではなく（予測監査は強力な信号品質を示したが、それは意思決定エンジンではなかった）、ポートフォリオ最適化レイヤーにあると強調している。このレイヤーは、ランク付けされたリストを、以下の特性を持つ展開可能なポートフォリオへと変換する：

1. リーケージを意識している: 意思決定において将来のデータを使用することを厳格に回避している。
2. 監査可能である: 決定を、需要、空間、都市バランス、複雑性という解釈可能なコンポーネントに分解できる。
3. バランスが取れている: 需要の捕捉と、地理的および運用上のバランスの取れたアップグレードリストとの間で、パレート最適なトレードオフを実現している。

本研究は、予測と選択を分離し、オペレーターがブラックボックス的なランキングに頼ることなく、需要捕捉、サービス公平性、およびエンジニアリング制約の間のトレードオフを管理できるようにすることで、O-RANやデジタルツインにおける新たな潮流に合致している。