PRLGB: Progressive Residual LightGBM for 5G Quality-of-Service Resource Allocation Prediction

Resumo Técnico: PRLGB para Predição de Alocação de Recursos de QoS em 5G

Declaração do Problema
A quinta geração (5G) de redes móveis exige o gerenciamento eficiente de recursos limitados (espectro, potência, capacidade computacional) para suportar diversas aplicações, como comunicações ultra-confiáveis e de baixa latência (URLLC), banda larga móvel aprimorada (eMBB) e comunicações massivas do tipo máquina (mMTC). Métodos tradicionais baseados em regras ou otimização matemática frequentemente têm dificuldade com a natureza dinâmica e de grande escala das redes 5G. Embora o aprendizado de máquina (ML) ofereça soluções adaptativas, as abordagens existentes para alocação de recursos muitas vezes dependem de modelos de ensemble de estágio único ou arquiteturas de aprendizado profundo complexas que podem não ser ideais para conjuntos de dados tabulares pequenos e estáticos, típicos de instantâneos específicos de rede. Este estudo aborda a necessidade de um modelo de regressão robusto e de alta precisão para prever a alocação de recursos de Qualidade de Serviço (QoS) em tais conjuntos de dados, visando especificamente as restrições dos controladores de Rede de Acesso de Rádio Aberta (O-RAN), que exigem inferência de baixa latência.

Metodologia
O estudo utiliza um conjunto de dados de Alocação de Recursos 5G disponível publicamente no Kaggle, contendo 400 registros independentes com 8 atributos (ex: força do sinal, latência, requisitos de largura de banda) e uma variável alvo que representa a porcentagem de alocação de recursos. Os autores justificam a modelagem deste problema como uma regressão tabular estática, em vez de uma tarefa de série temporal, devido à falta de continuidade sequencial entre os usuários e aos rigorosos requisitos de tempo de inferência (<50ms) dos controladores O-RAN.

A solução proposta é o Progressive Residual LightGBM (PRLGB), uma arquitetura de ensemble de três estágios projetada para decompor a complexidade da predição:

1. Estágio 1 (Predição Coarse/Grosseira): Um modelo LightGBM base é treinado com 250 estimadores e uma taxa de aprendizado de 0,06 para capturar os padrões primários nos dados.
2. Estágio 2 (Especialização de Resíduos): Um segundo modelo LightGBM é treinado nos resíduos ($r_1 = y - \hat{y}_1$) do primeiro estágio. Este estágio utiliza hiperparâmetros conservadores (200 estimadores, taxa de aprendimento de 0,04, regularização L1) para aprender erros sistemáticos sem sofrer overfitting.
3. Estágio 3 (Meta-Fusão Consciente de Incerteza): Um modelo meta-LightGBM final integra atributos de engenharia: as predições do Estágio 1 ($f_1(X)$), as predições do Estágio 2 ($f_2(X)$) e a magnitude absoluta das predições do Estágio 2 ($|\hat{y}_2(X)|$) como um proxy para incerteza. Este estágio utiliza 150 estimadores com suavização de trajetória para refinar a saída final.

Todo o pipeline inclui uma etapa de pré-processamento envolvendo imputação de mediana para valores ausentes, RobustScaler para escalonamento de atributos (para lidar com outliers) e o corte (clipping) da variável alvo para o intervalo fisicamente significativo de [40, 100].

Principais Contribuições

• Arquitetura Inovadora: O artigo introduz o PRLGB, uma estrutura de resíduo progressivo de três estágios especificamente adaptada para predição de QoS tabular, incorporando um estágio de meta-fusão consciente de incerteza usando atributos de engenharia.
• Avaliação Sistemática: O estudo realiza uma comparação rigorosa do PRLGB contra quatro fortes baselines de ensemble baseados em árvores: Base LightGBM, Random Forest, XGBoost e CatBoost.
• Pipeline de Pré-processamento de Dados: Um fluxo de trabalho de pré-processamento robusto é descrito, combinando imputação de mediana, escalonamento baseado em IQR e corte de alvo, o que garante uma comparação justa e a validade física das predições.
• Justificativa de Modelagem Estática: Os autores fornecem uma razão para tratar o conjunto de dados como dados tabulares estáticos em vez de séries temporais, citando a independência do usuário e as restrições de latência do O-RAN.

Resultados Experimentais
Os modelos foram avaliados usando Erro Quadrático Médio (MSE), Raiz do Erro Quadrático Médio (RMSE), Erro Absoluto Médio (MAE) e o Coeficiente de Determinação ($R^2$).

• Desempenho do PRLGB: O PRLGB alcançou o melhor desempenho em todas as métricas com um MSE de 4,8317, RMSE de 2,1981, MAE de 0,8357 e $R^2$ de 0,9449.
• Comparação: Comparado ao Base LightGBM (o baseline mais forte), o PRLGB melhorou o RMSE em 4,52% (reduzindo-o de 2,3010 para 2,1981) e o MAE em 17,8%.
• Desempenho dos Baselines: Outros baselines tiveram desempenho inferior ao Base LightGBM; Random Forest e XGBoost mostraram degradações de RMSE de 19,7% e 25,5% respectivamente, enquanto o CatBoost mostrou uma degradação de 4,7%.
• Análise Visual: Gráficos de dispersão e análise de resíduos (gráficos de violino, estimativas de densidade e boxplots) confirmaram que o PRLGB produziu o agrupamento mais apertado em torno da linha de predição perfeita e a distribuição de erro mais concentrada próxima a zero.

Significância e Alegações
O artigo afirma que o empilhamento de resíduos progressivos de modelos LightGBM oferece ganhos práticos para a predição de alocação de recursos de QoS em 5G em pequenos conjuntos de dados tabulares. Os resultados sugerem que decompor a tarefa de aprendizado em predição grosseira, correção de resíduo e meta-fusão pode gerar melhorias consistentes sobre ensembles de estágio único. Os autores posicionam o PRLGB como uma direção promissora para controladores de QoS do tipo O-RAN que exigem tomada de decisão de alta fidelidade e baixa latência.

O estudo mantém um escopo modesto, reconhecendo que os experimentos são limitados a um único conjunto de dados e modelagem estática. Um trabalho futuro é proposto para estender o framework para conjuntos de dados maiores e diversos, cenários de múltiplos fatias (slices) e configurações com modelagem temporal explícita, bem como investigar a robustez sob mudanças de distribuição.