Link Adaptation Using Joint-Thompson Sampling

Resumo Técnico: Adaptação de Link Usando Thompson Sampling Conjunto

Formulação do Problema
A Adaptação de Link (LA) é uma função crítica da camada MAC (Controle de Acesso ao Meio) responsável pela seleção de parâmetros de transmissão ideais, especificamente o Esquema de Modulação e Codificação (MCS), para maximizar o throughput sob uma restrição de Taxa de Erro de Bloco (BLER). Em cenários de downlink, a estação base (gNB) carece de informação direta do estado do canal e depende do feedback do Índice de Qualidade de Canal (CQI) do Usuário Equipamento (UE). Abordagens tradicionais, como o Outer Loop Link Adaptation (OLLA), utilizam estatísticas de ACK/NACK para ajustar os offsets de Razão Sinal-Interferência mais Ruído (SINR). No entanto, o OLLA é frequentemente lento para se adaptar a canais que mudam rapidamente (altos deslocamentos Doppler) e carece de granularidade por estado de CQI.

A literatura recente modelou a LA como um problema de Multi-Armed Bandit (MAB), onde cada braço de MCS representa um "braço" com uma probabilidade de sucesso desconhecida. Embora algoritmos como Upper Confidence Bound (UCB) e o Thompson Sampling (TS) padrão tenham sido aplicados, eles tipicamente tratam os braços de MCS como independentes. Essa suposição de independência falha em capturar uma propriedade física fundamental dos canais sem fio: a monotonicidade das probabilidades de sucesso. Especificamente, índices de MCS mais baixos (modulações mais robustas) possuem inerentemente probabilidades de sucesso mais altas do que índices de MCS mais altos (maior eficiência espectral) para uma determinada condição de canal ($\theta_1 \ge \theta_2 \ge \dots \ge \theta_K$). Soluções MAB existentes que ignoram essa restrição podem amostrar configurações inviáveis ou convergir subotimamente, particularmente quando o feedback de CQI não está disponível ou as condições do canal são altamente dinâmicas.

Metodologia: Thompson Sampling Conjunto (Joint-TS)
O artigo propõe o Joint-Thompson Sampling (Joint-TS), um algoritmo projetado para preservar explicitamente a monotonicidade das probabilidades de sucesso do MCS durante todo o processo de aprendizado.

1. Prior Beta Multivariada Ordenada (MOB): Diferente do TS clássico, que assume distribuições Beta independentes para cada braço, o Joint-TS utiliza uma distribuição Beta Multivariada Ordenada (MOB) como a prior. Esta distribuição é definida sobre o simplex $S = \{ \theta \in [0, 1]^K \mid \theta_1 \ge \theta_2 \ge \dots \ge \theta_K \}$. Ao amostrar desta distribuição conjunta, o algoritmo garante que cada conjunto amostrado de probabilidades de sucesso satisfaça a restrição de monotonicidade física.
2. Amostragem de Gibbs para Inferência: A amostragem direta da distribuição MOB não é trivial. Os autores utilizam uma técnica de amostragem de Gibbs (um método de Monte Carlo via Cadeia de Markov) para gerar amostras. O núcleo desta abordagem baseia-se no lema de que a distribuição condicional de qualquer braço $\Theta_i$, dado os outros, segue uma distribuição Beta Restrita, limitada pelos valores de seus vizinhos ($\theta_{i+1} \le \Theta_i \le \theta_{i-1}$).
3. Fluxo do Algoritmo: Em cada passo de tempo, o Joint-TS:
   • Amostra um vetor de probabilidades de sucesso $(\Theta_1, \dots, \Theta_K)$ da posterior MOB atual usando amostragem de Gibbs.
   • Seleciona o braço de MCS $I_t$ que maximiza a recompensa esperada ($s_i \cdot \Theta_i$).
   • Observa a recompensa (ACK/NACK) e atualiza os parâmetros do braço selecionado. Devido à distribuição conjunta, esta atualização influencia implicitamente a posterior de todos os outros braços, mantendo a restrição de monotonicidade sem exigir reordenação explícita.

Principais Contribuições

• MAB Consciente de Monotonicidade: O artigo introduz o Joint-TS, o primeiro algoritmo de LA baseado em MAB que impõe rigorosamente a natureza ordenada das probabilidades de sucesso do MCS usando uma prior multivariada, em vez de tratar os braços como entidades independentes.
• Mecanismo de Amostragem: Os autores propõem um método prático de amostragem de Gibbs para extrair amostras da distribuição MOB, abordando o desafio computacional de amostrar de distribuições multivariadas ordenadas.
• Robustez às Limitações de CQI: O trabalho demonstra que o Joint-TS mantém o desempenho mesmo quando o feedback de CQI não está disponível, um cenário onde algoritmos unimodais de última geração (como o UTS) e algoritmos dependentes de tabela (como o Latent-TS) degradam significativamente.

Resultados de Simulação
Os autores avaliaram o Joint-TS contra OLLA, Modified Thompson Sampling (MTS), Unimodal Thompson Sampling (UTS) e Latent-TS (LTS) usando configurações de MCS de 5G NR (29 níveis) em ambientes de canal estáticos e com deslocamento Doppler.

• Canais Estáticos: Em condições estáticas com CQI perfeito, o Joint-TS alcançou um throughput competitivo (ex: 2,54 bps/Hz a 10 dB de SINR) comparável ao LTS (2,68 bps/Hz).
• Cenários de Alto Doppler (Mobilidade):
  • Com CQI Perfeito: Enquanto o UTS e o LTS tiveram bom desempenho em baixos deslocamentos Doppler, o LTS degradou significativamente em altos deslocamentos Doppler (111 Hz). O Joint-TS manteve um throughput estável (1,56 bps/Hz) comparável ao UTS, superando o LTS (1,29 bps/Hz).
  • Sem CQI: Na ausência de feedback de CQI, o UTS teve dificuldades significativas (caindo para 1,34 bps/Hz a 111 Hz). O LTS manteve um alto throughput em configurações de baixo-médio Doppler, mas mostrou degradação. O Joint-TS demonstrou robustez consistente em todos os deslocamentos Doppler, mantendo um throughput (1,32 bps/Hz a 111 Hz) superior ao UTS e MTS, e competitivo com o LTS.

Significância e Alegações
O artigo afirma que o Joint-TS oferece uma abordagem fundamentada para a Adaptação de Link que aproveita a estrutura inerente dos canais sem fio. Ao utilizar a distribuição MOB, o algoritmo evita as ineficiências de explorar combinações de MCS inviáveis. Os autores destacam que, embora algoritmos existentes (como o CoTS) tentem explorar a monotonicidade, suas técnicas de amostragem podem não aderir estritamente às propriedades da distribuição conjunta.

A principal significância do Joint-TS reside em sua robustez. As simulações indicam que, enquanto outros algoritmos falham em cenários específicos — como ambientes de alta mobilidade ou quando o feedback de CQI está ausente — o Joint-TS entrega um throughput consistente e competitivo. Os autores posicionam o Joint-TS como uma solução que não depende de tabelas de consulta pré-existentes e potencialmente imprecisas (ao contrário do LTS) e se adapta rapidamente às mudanças dinâmicas do canal sem necessidade de ajuste manual de parâmetros. O trabalho sugere que impor restrições físicas (monotonicidade) dentro do framework probabilístico de MAB leva a um desempenho superior em ambientes sem fio práticos e dinâmicos.