🤖 machine learning

Link Adaptation Using Joint-Thompson Sampling

Dit artikel stelt het Joint-Thompson Sampling (Joint-TS) algoritme voor voor linkadaptatie, dat verbeteringen aanbrengt ten opzichte van traditionele multi-armed bandit-benaderingen door een multivariate geordende Beta-distributie te gebruiken om de inherente monotoniciteit van de succeswaarschijnlijkheden van Modulation and Coding Schemes te behouden, waardoor een robuuste en consistente doorvoer over diverse kanaalcondities wordt bereikt.

Oorspronkelijke auteurs: Vignatha Vinjam, Manjunath Kolavennu, Myna Vajha, Karthik Periyapattana Narayanaprasad

Gepubliceerd 2026-07-14

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Vignatha Vinjam, Manjunath Kolavennu, Myna Vajha, Karthik Periyapattana Narayanaprasad

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een geheim bericht probeert te versturen over een lawaaierige, bewegende speeltuin. Je hebt een gereedschapskist vol met verschillende "codes" (genoemd Modulatie en Codering Schema's, of MCS) om te gebruiken. Sommige codes zijn super snel maar erg kwetsbaar (ze breken als de speeltuin een beetje hobbelig wordt), terwijl andere codes traag maar super robuust zijn (ze overleven de hobbelige weg, maar doen er lang over om te verzenden).

Je doel? De perfecte code voor het huidige moment kiezen om zoveel mogelijk data te versturen zonder dat het bericht onleesbaar wordt. Dit wordt Link Adaptatie genoemd.

De Oude Manier: Gokken en Controleren

Traditioneel gebruikte de persoon die het bericht verstuurt (de zender) een rigide regelboek. Als de speeltuin er rustig uitzag, kies de snelle code. Als de speeltuin er ruig uitzag, kies de trage code. Als een bericht mislukte, pasten ze het regelboek een klein beetje aan.

Maar hier is het probleem: speeltuinen veranderen snel! Als de wind opsteekt (een "Doppler-verschuiving"), is het oude regelboek te traag om te reageren. Het is alsof je een auto probeert te besturen met een kaart van gisteren.

Het Nieuwe Idee: De "Geordende" Gok

Onlangs begonnen wetenschappers dit te behandelen als een spel van Multi-Armed Bandits (denk aan een rij gokautomaten). Elke code is een gokautomaat. Je trekt aan een hendel (verstuurt een bericht), en je wint (het komt aan) of je verliest (het mislukt). Het doel is om uit te zoeken welke machine op dit moment het meest uitbetaalt.

De meeste bestaande algoritmen behandelen elke gokautomaat als een totaal afzonderlijk mysterie. Ze weten niet dat de machines eigenlijk aan elkaar gerelateerd zijn. In werkelijkheid is er een gouden regel: Als een "trage en robuuste" code werkt, kan de "snelle en kwetsbare" code misschien ook werken, maar als een "snelle en kwetsbare" code faalt, dan werkt de "trage en robuuste" het sowieso nog steeds. De succespercentages zijn van nature geordend.

De auteurs van dit artikel zeggen: "Waarom negeren we die volgorde niet?" Ze stellen een nieuw algoritme voor genaamd Joint-Thompson Sampling (Joint-TS).

De Magische Truc: De "Geordende" Dobbelstenen

Stel je voor dat je een zak met dobbelstenen hebt, één voor elke code.

Oude Methode (Klassieke Thompson Sampling): Je werpt elke dobbelsteen onafhankelijk. Soms wordt de wiskunde vreemd, en werp je een "hoog succes"-getal voor een kwetsbare code en een "laag succes"-getal voor een robuuste code. Dat breekt de wetten van de natuurkunde!
De Nieuwe Methode (Joint-TS): De auteurs gebruiken een speciale truc genaamd een Multivariate Ordered Beta (MOB) distributie. In plaats van de dobbelstenen afzonderlijk te werpen, werp je ze als een team. Ze dwingen de resultaten om in orde te blijven: de "robuuste" code krijgt altijd een hoger succesgetal dan de "kwetsbare" code.

Om dit te doen, gebruiken ze een wiskundige dans genaamd Gibbs sampling. Het is als een spelletje "hete aardappel" waarbij ze de dobbelstenen rondgeven en elke dobbelsteen aanpassen op basis van zijn buren, totdat de hele groep tot een perfecte, geordende lijn is gekomen. Dit zorgt ervoor dat het algoritme nooit een fysiek onmogelijke gok doet.

Wat de Simulatiesen toonden

Het team heeft deze ideeën door een computer simulatie gehaald (met behulp van een bibliotheek genaamd pyitpp) om te zien hoe ze presteerden in twee werelden: een kalme, statische speeltuin en een wilde, winderige speeltuin (hoge Doppler).

1. De Kalme Speeltuin (Statische Kanalen):
Wanneer de wind nog stil was, waren de oude regelboeken (OLLA) en de nieuwe "geordende" methode (Joint-TS) beide vrij goed. Joint-TS lag slechts een klein beetje achter op de absoluut beste mogelijke score, maar was er heel dichtbij. Bijvoorbeeld, bij een signaalsterkte van 10dB haalde Joint-TS 2,54 bps/Hz, terwijl de "perfecte" methode 2,68 bps/Hz haalde. Het is een nek-aan-nekrace, maar Joint-TS houdt stand.

2. De Winderige Speeltuin (Doppler Kanalen):
Dit is waar de magie gebeurt. Wanneer de wind opstak (wat een snelle auto of trein simuleert), begonnen de oude methoden te wankelen.

De "Lookup Table" Methode (LTS): Deze methode vertrouwt op een vooraf geschreven kaart van hoe de wind de codes beïnvloedt. Wanneer de wind echt sterk werd (111 Hz Doppler-verschuiving), werd deze kaart nutteloos. Het algoritme stortte in en daalde naar 1,29 bps/Hz.
De "Onafhankelijke" Methode (UTS): Deze methode, die de volgorde van de codes negeert, had ook moeite en daalde naar 1,56 bps/Hz.
De "Joint" Methode (Joint-TS): Omdat deze de natuurlijke volgorde respecteerde, bleef deze stabiel. Zelfs in de sterkste wind (111 Hz) behield het 1,56 bps/Hz.

3. Het "Geen Aanwijzingen" Scenario (Geen CQI):
Soms krijgt de zender geen weerbericht (Channel Quality Index of CQI) helemaal. Ze moeten dan blind gokken.

Zonder CQI deed de "Lookup Table" methode (LTS) het verrassend goed in kalme wind, maar had het nog steeds moeite in harde wind.
De "Onafhankelijke" methode (UTS) stortte volledig in, met een daling naar 1,04 bps/Hz in kalme wind en 1,21 bps/Hz in winderige omstandigheden.
Joint-TS bleef het meest robuust. Zelfs zonder weerbericht en met harde wind, bleef het 1,32 bps/Hz leveren, waarmee het de anderen in de zwaarste omstandigheden versloeg.

De Kern van het Verhaal

Het artikel beweert niet dat het de oplossing voor het probleem van draadloze communicatie voor altijd heeft gevonden. In plaats daarvan suggereren de simulaties dat Joint-TS een slimmere manier is om te gokken op welke code te gebruiken. Door te respecteren dat "robuustere codes altijd waarschijnlijker slagen dan kwetsbare codes", vermijdt het de fouten die andere algoritmen maken wanneer de omgeving chaotisch wordt.

Terwijl andere methoden falen wanneer de wind hard waait of wanneer ze geen weerbericht hebben, houdt Joint-TS de datastroom op gang. Het is geen toverstaf, maar in de simulaties bewees het de meest betrouwbare teamgenoot te zijn voor een hobbelige rit.

Technische Samenvatting: Link Adaptatie met behulp van Joint-Thompson Sampling

Probleemformulering
Link Adaptatie (LA) is een cruciale functie op de MAC-laag die verantwoordelijk is voor het selecteren van optimale transmissieparameters, specifiek het Modulation and Coding Scheme (MCS), om de doorvoer te maximalen onder een Block Error Rate (BLER) beperking. In downlink-scenario's beschikt de basisstation (gNB) niet over directe kanaalinformatie (channel state information) en is het afhankelijk van Channel Quality Index (CQI) feedback van de User Equipment (UE). Traditionele benaderingen, zoals Outer Loop Link Adaptation (OLLA), maken gebruik van ACK/NACK-statistieken om het Signal-to-Interference-plus-Noise Ratio (SINR) offset aan te passen. OLLA is echter vaak traag in het aanpassen aan snel veranderende kanalen (hoge Doppler-verschuivingen) en mist granulariteit per CQI-toestand.

Recente literatuur heeft LA gemodelleerd als een Multi-Armed Bandit (MAB) probleem, waarbij elk MCS een "arm" vertegenwoordigt met een onbekende succeswaarschijnlijkheid. Hoewel algoritmen zoals Upper Confidence Bound (UCB) en standaard Thompson Sampling (TS) zijn toegepast, behandelen zij MCS-armen doorgaans als onafhankelijk. Deze onafhankelijkheidsaanname faalt in het vatten van een fundamentele fysieke eigenschap van draadloze kanalen: de monotoniciteit van succeswaarschijnlijkheden. Specifiek bezitten lagere MCS-indices (robuustere modulaties) inherent hogere succeswaarschijnlijkheden dan hogere MCS-indices (hogere spectrale efficiëntie) voor een gegeven kanaalconditie ( $\theta_1 \ge \theta_2 \ge \dots \ge \theta_K$ ). Bestaande MAB-oplossingen die deze beperking negeren, kunnen onhaalbare configuraties samplen of suboptimaal convergeren, met name wanneer CQI-feedback niet beschikbaar is of de kanaalcondities zeer dynamisch zijn.

Methodologie: Joint-Thompson Sampling (Joint-TS)
Het artikel stelt Joint-Thompson Sampling (Joint-TS) voor, een algoritme dat ontworpen is om expliciet de monotoniciteit van MCS-succeswaarschijnlijkheden te behouden tijdens het leerproces.

Multivariate Ordered Beta (MOB) Prior: In tegenstelling tot klassieke TS, die uitgaat van onafhankelijke Beta-verdelingen voor elke arm, gebruikt Joint-TS een Multivariate Ordered Beta (MOB) verdeling als de prior. Deze verdeling is gedefinieerd over de simplex $S = \{ \theta \in [0, 1]^K \mid \theta_1 \ge \theta_2 \ge \dots \ge \theta_K \}$ . Door te samplen uit deze gezamenlijke verdeling, garandeert het algoritme dat elke gesamplede set succeswaarschijnlijkheden aan de fysieke monotoniciteitsbeperking voldoet.
Gibbs Sampling voor Inferentie: Direct samplen uit de MOB-verdeling is niet triviaal. De auteurs maken gebruik van een Gibbs sampling techniek (een Markov Chain Monte Carlo-methode) om samples te genereren. De kern van deze aanpak berust op het lemma dat de conditionele verdeling van een enkele arm $\Theta_i$ , gegeven de andere, een Restricted Beta verdeling volgt die begrensd wordt door de waarden van zijn buren ( $\theta_{i+1} \le \Theta_i \le \theta_{i-1}$ ).
Algoritme Flow: Op elk tijdstip voert Joint-TS het volgende uit:
- Samplet een vector van succeswaarschijnlijkheden $(\Theta_1, \dots, \Theta_K)$ uit de huidige MOB-posterior middels Gibbs sampling.
- Selecteert de MCS-arm $I_t$ die de verwachte beloning ( $s_i \cdot \Theta_i$ ) maximaliseert.
- Observeert de beloning (ACK/NACK) en werkt de parameters van de geselecteerde arm bij. Vanwege de gezamenlijke verdeling beïnvloedt deze update impliciet de posterior van alle andere armen, waardoor de monotoniciteitsbeperking wordt gehandhaafd zonder dat expliciete herordening nodig is.

Belangrijkste Bijdragen

Monotoniciteit-bewuste MAB: Het artikel introduceert Joint-TS, het eerste MAB-gebaseerde LA-algoritme dat rigoureus de geordende aard van MCS-succeswaarschijnlijkheden afdwingt met behulp van een multivariate prior, in plaats van armen als onafhankelijke entiteiten te behandelen.
Sampling Mechanisme: De auteurs stellen een praktische Gibbs sampling methode voor om samples te trekken uit de MOB-verdeling, waarmee het computationele probleem van het samplen uit geordende multivariate verdelingen wordt aangepakt.
Robuustheid tegen CQI-beperkingen: Het werk demonstreert dat Joint-TS prestaties behoudt zelfs wanneer CQI-feedback niet beschikbaar is, een scenario waarin state-of-the-art unimodale algoritmen (zoals UTS) en tabel-afhankelijke algoritmen (zoals Latent-TS) significant degraderen.

Simulatie-resultaten
De auteurs evalueerden Joint-TS tegenover OLLA, Modified Thompson Sampling (MTS), Unimodal Thompson Sampling (UTS) en Latent-TS (LTS) met behulp van 5G NR MCS-configuraties (29 niveaus) in zowel statische als Doppler-verschoven kanaalomgevingen.

Statische Kanalen: In statische condities met perfecte CQI bereikte Joint-TS een concurrerende doorvoer (bijv. 2,54 bps/Hz bij 10 dB SINR) die vergelijkbaar is met LTS (2,68 bps/Hz).
Hoge Doppler (Mobiele) Scenario's:
- Met Perfecte CQI: Terwijl UTS en LTS goed presteerden bij lage Doppler-verschuivingen, degradeerde LTS significant bij hoge Doppler-verschuivingen (111 Hz). Joint-TS behield een stabiele doorvoer (1,56 bps/Hz) vergelijkbaar met UTS, en presteerde beter dan LTS (1,29 bps/Hz).
- Zonder CQI: In de afwezigheid van CQI-feedback worstelde UTS aanzienlijk (dalend naar 1,34 bps/Hz bij 111 Hz). LTS behield een hoge doorvoer in lage- tot midden-Doppler settings maar vertoonde degradatie. Joint-TS demonstreerde consistente robuustheid over alle Doppler-verschuivingen, met een doorvoer van 1,32 bps/Hz bij 111 Hz, wat superieur is aan UTS en MTS, en competitief met LTS.

Betekenis en Claims
Het artikel claimt dat Joint-TS een geprincipeerde aanpak voor Link Adaptatie biedt die de inherente structuur van draadloze kanalen benut. Door gebruik te maken van de MOB-verdeling, vermijdt het algoritme de inefficiënties van het verkennen van onhaalbare MCS-combinaties. De auteurs benadrukken dat hoewel bestaande algoritmen (zoals CoTS) proberen de monotoniciteit te exploiteren, hun samplingtechnieken mogelijk niet strikt voldoen aan de eigenschappen van de gezamenlijke verdeling.

De primaire betekenis van Joint-TS ligt in de robuustheid. De simulaties geven aan dat terwijl andere algoritmen falen in specifieke scenario's — zoals omgevingen met hoge mobiliteit of wanneer CQI-feedback ontbreekt — Joint-TS een consistente, competitieve doorvoer levert. De auteurs positioneren Joint-TS als een oplossing die niet afhankelijk is van vooraf bestaande, potentieel onnauwkeurige lookup-tabellen (in tegen tegen LTS) en snel aanpasbaar is aan veranderende kanaaldynamiek zonder handmatige parameterinstelling. Het werk suggereert dat het afdwingen van fysieke beperkingen (monotoniciteit) binnen het probabilistische kader van MAB leidt tot superieure prestaties in praktische, dynamische draadloze omgevingen.

De Oude Manier: Gokken en Controleren

Het Nieuwe Idee: De "Geordende" Gok

De Magische Truc: De "Geordende" Dobbelstenen

Wat de Simulatiesen toonden

De Kern van het Verhaal

Meer zoals dit