Link Adaptation Using Joint-Thompson Sampling

기술 요약: 결합 톰슨 샘플링(Joint-Thompson Sampling)을 이용한 링크 적응

문제 정의
링크 적응(Link Adaptation, LA)은 최적의 전송 파라미터, 구체적으로는 블록 오류율(BLER) 제약 조건 하에서 처리량을 극대화하기 위해 최적의 변조 및 코딩 방식(MCS)을 선택하는 중요한 MAC 계층 기능이다. 다운링크 시나리오에서 기지국(gNB)은 직접적인 채널 상태 정보(CSI)를 보유하지 못하며, 사용자 단말(UE)로부터 전달받은 채널 품질 지수(CQI) 피드백에 의존한다. OLLA(Outer Loop Link Adaptation)와 같은 전통적인 방식은 ACK/NACK 통계를 활용하여 신호 대 간섭 및 잡음비(SINR) 오프셋을 조정한다. 그러나 OLLA는 급격하게 변화하는 채널(높은 도플러 편이)에 적응하는 속도가 느리고, CQI별 상태 세분화가 부족하다는 단점이 있다.

최근 문헌들은 LA를 각 MCS가 미지의 성공 확률을 가진 "팔(arm)"인 멀티 암드 밴딧(Multi-Armed Bandit, MAB) 문제로 모델링하고 있다. UCB(Upper Confidence Bound) 및 표준 톰슨 샘플링(TS)과 같은 알고리즘들이 적용되어 왔으나, 이들은 일반적으로 각 MCS 팔을 독립적인 것으로 취급한다. 이러한 독립성 가정은 무선 채널의 근본적인 물리적 특성인 성공 확률의 단조성(monotonicity)을 포착하지 못한다. 구체적으로, 주어진 채널 조건에서 낮은 MCS 인덱스(더 견고한 변조 방식)는 높은 MCS 인덱스(더 높은 스펙트럼 효율)보다 본질적으로 더 높은 성공 확률을 갖는다 ($\theta_1 \ge \theta_2 \ge \dots \ge \theta_K$). 이러한 제약을 무시하는 기존 MAB 솔루션들은 실행 불가능한 구성을 샘플링하거나, 특히 CQI 피드백을 사용할 수 없거나 채널 조건이 매우 역동적인 상황에서 하위 최적의 결과로 수렴할 수 있다.

방법론: 결합 톰슨 샘플링 (Joint-Thompson Sampling, Joint-TS)
본 논문은 학습 과정 전반에 걸쳐 MCS 성공 확률의 단조성을 명시적으로 보존하도록 설계된 결합 톰슨 샘플링(Joint-TS) 알고리즘을 제안한다.

1. 다변량 순서 베타(Multivariate Ordered Beta, MOB) 사전 분포: 각 팔을 독립적인 베타 분포로 가정하는 고전적 TS와 달리, Joint-TS는 MOB 분포를 사전 분포로 사용한다. 이 분포는 심플렉스 $S = \{ \theta \in [0, 1]^K \mid \theta_1 \ge \theta_2 \ge \dots \ge \theta_K \}$ 상에 정의된다. 이 결합 분포로부터 샘플링함으로써, 알고리즘은 샘플링된 모든 성공 확률 집합이 물리적 단조성 제약을 충족하도록 보장한다.
2. 추론을 위한 깁스 샘플링(Gibbs Sampling): MOB 분포로부터 직접 샘플링하는 것은 까다롭다. 저자들은 MOB 분포로부터 샘플을 생성하기 위해 마르코프 체인 몬테카를로(MCMC) 방법의 일종인 깁스 샘플링 기법을 채택하였다. 이 접근법의 핵심은 다른 팔들의 값이 주어졌을 때 특정 팔 $\Theta_i$의 조건부 분포가 인접한 값들에 의해 경계가 정해지는 제한된 베타(Restricted Beta) 분포($\theta_{i+1} \le \Theta_i \le \theta_{i-1}$)를 따른다는 셈법(lemma)에 기초한다.
3. 알고리즘 흐름: 각 타임 스텝에서 Joint-TS는 다음을 수행한다:
   • 깁스 샘플링을 사용하여 현재 MOB 사후 분포로부터 성공 확률 벡터 $(\Theta_1, \dots, \Theta_K)$를 샘플링한다.
   • 기대 보상($s_i \cdot \Theta_i$)을 최대화하는 MCS 팔 $I_t$를 선택한다.
   • 보상(ACK/NACK)을 관찰하고 선택된 팔의 파라미터를 업데이트한다. 결합 분포 덕분에, 이 업데이트는 명시적인 재정렬 없이도 다른 모든 팔의 사후 분포에 암묵적으로 영향을 미치며 단조성 제약을 유지한다.

주요 기여

• 단조성 인식 MAB: 본 논문은 팔을 독립적인 개체로 취급하는 대신 다변량 사전 분포를 사용하여 MCS 성공 확률의 순서 구조를 엄격하게 강제하는 최초의 MAB 기반 LA 알고리즘인 Joint-TS를 도입하였다.
• 샘플링 메커니즘: 저자들은 MOB 분포로부터 샘플을 추출하기 위한 실용적인 깁스 샘플링 방법을 제안하여, 순서형 다변량 분포 샘플링의 계산적 난제를 해결하였다.
• CQI 한계에 대한 강건성: 본 연구는 CQI 피드백을 사용할 수 없는 상황에서도 Joint-TS가 성능을 유지함을 입증하였으며, 이는 최신 단봉형(unimodal) 알고리즘(예: UTS)이나 테이블 의존형 알고리즘(예: Latent-TS)이 크게 저하되는 시나리오이다.

시뮬레이션 결과
저자들은 5G NR MCS 구성(29개 레벨)을 사용하여 정적 및 도플러 편이가 있는 채널 환경에서 Joint-TS를 OLLA, 수정된 톰슨 샘플링(MTS), 단봉형 톰슨 샘플링(UTS), 그리고 Latent-TS(LTS)와 비교 평가하였다.

• 정적 채널: 완벽한 CQI가 제공되는 정적 조건에서, Joint-TS는 LTS(2.68 bps/Hz)와 대등한 경쟁력 있는 처리량(예: 10 dB SINR에서 2.54 bps/Hz)을 달성하였다.
• 높은 도플러(이동성) 시나리오:
  • 완벽한 CQI가 있는 경우: UTS와 LTS는 낮은 도플러 편이에서는 잘 작동했으나, LTS는 높은 도플러 편이(111 Hz)에서 크게 저하되었다(1.29 bps/Hz). Joint-TS는 UTS와 대등한 안정적인 처리량(1.56 bps/Hz)을 유지하였다.
  • CQI가 없는 경우: CQI 피드백이 없을 때 UTS는 크게 고전하였다(111 Hz에서 1.34 bps/Hz로 하락). LTS는 저·중 도플러 설정에서는 높은 처리량을 유지했으나 저하 현상을 보였다. Joint-TS는 모든 도플러 편이에 걸쳐 일관된 강건성을 보이며, UTS 및 MTS보다 우수한 처리량(111 Hz에서 1.32 bps/Hz)을 기록하였고 LTS와 경쟁할 만한 성능을 보여주었다.

의의 및 주장
본 논문은 Joint-TS가 무선 채널의 내재적 구조를 활용하는 원칙적인 링크 적응 방식을 제공한다고 주장한다. MOB 분포를 활용함으로써, 알고리즘은 실행 불가능한 MCS 조합을 탐색하는 비효전성을 피한다. 저자들은 기존 알고리즘(예: CoTS)들도 단조성을 활용하려고 시도하지만, 그들의 샘플링 기법은 결합 분포의 특성을 엄격하게 준수하지 못할 수 있음을 강조한다.

Joint-TS의 주요 의의는 그 **강건성(robustness)**에 있다. 시뮬레이션 결과에 따르면, 높은 이동성 환경이나 CQI 피드백이 누락된 상황과 같이 특정 시나리오에서 다른 알고리즘들이 실패하는 반면, Joint-TS는 일관되고 경쟁력 있는 처리량을 제공한다. 저자들은 Joint-TS가 (LTS와 달리) 정확하지 않을 수 있는 기존의 룩업 테이블에 의존하지 않으며, 수동 파라미터 튜닝 없이도 변화하는 채널 역학에 빠르게 적응한다고 설명한다. 본 연구는 확률적 MAB 프레임워크 내에 물리적 제약(단조성)을 강제하는 것이 실제 역동적인 무선 환경에서 우수한 성능을 이끌어낸다는 점을 시사한다.