Editorial ilmu komputer
Open AccessOA2026
Verifikasi Formal untuk Kontrol Daya Berbasis Deep Learning pada Massive MIMO
Kerangka kerja ketangguhan yang ketat untuk alokasi daya jaringan saraf di bawah perturbasi masukan adversarial
Thanh Le; Takeshi Matsumura; Yusheng Ji; John C. S. Lui· 2026· DOI 10.48550/arXiv.2607.14500
Masalah inti
Deep learning telah muncul sebagai pendekatan yang menjanjikan untuk mengoptimalkan komunikasi nirkabel dengan menyederhanakan pencarian solusi yang mendekati optimal. Studi sebelumnya tentang optimasi komunikasi nirkabel berbasis deep learning telah mengeksplorasi pendekatan pembelajaran terawasi yang memetakan informasi pengguna mentah, seperti lokasi atau informasi keadaan kanal, ke vektor alokasi daya yang optimal. Meskipun pendekatan ini menunjukkan kinerja yang kompetitif, pendekatan ini rentan terhadap serangan adversarial melalui perturbasi masukan. Mekanisme pertahanan saat ini terutama bergantung pada metode empiris, yang tidak memberikan jaminan ketangguhan secara formal. Makalah ini mengisi celah tersebut dengan mengusulkan kerangka kerja verifikasi formal untuk mengevaluasi ketangguhan alokasi daya berbasis deep learning pada sistem massive multiple-input multiple-output (MIMO) multi-sel terhadap berbagai manipulasi masukan adversarial yang mungkin terjadi. Sepengetahuan kami, ini adalah upaya pertama untuk memverifikasi secara formal jaringan saraf dalam pada pengaturan regresi dengan batasan keluaran non-linear.
Inovasi
Evaluasi pada dataset yang tersedia untuk umum untuk alokasi daya pada massive MIMO multi-sel menunjukkan bahwa model yang terlatih dengan baik dapat menjamin ketangguhan lokal pada perturbasi lokasi sebesar m sambil mempertahankan celah optimalitas maksimum 1%. Penulis melaporkan bahwa kerangka kerja verifikasi formal berhasil mensertifikasi ketangguhan untuk berbagai magnitudo perturbasi, dan batas yang dihitung cukup ketat untuk memberikan jaminan yang bermakna. Secara khusus, untuk perturbasi hingga m pada lokasi pengguna, degradasi laju jumlah kasus terburuk terbatas, dan celah optimalitas tetap di bawah 1%. Hasil juga menunjukkan bahwa pendekatan berbasis DeepPoly dapat diskalakan ke jaringan dengan beberapa lapisan dan ratusan neuron, sehingga praktis untuk sistem massive MIMO dunia nyata.
Deep learning telah muncul sebagai pendekatan yang menjanjikan untuk mengoptimalkan komunikasi nirkabel dengan menyederhanakan pencarian solusi yang mendekati optimal. Studi sebelumnya tentang optimasi komunikasi nirkabel berbasis deep learning telah mengeksplorasi pendekatan pembelajaran terawasi yang memetakan informasi pengguna mentah, seperti lokasi atau informasi keadaan kanal, ke vektor alokasi daya yang optimal. Meskipun pendekatan ini menunjukkan kinerja yang kompetitif, pendekatan ini rentan terhadap serangan adversarial melalui perturbasi masukan. Mekanisme pertahanan saat ini terutama bergantung pada metode empiris, yang tidak memberikan jaminan ketangguhan secara formal. Makalah ini mengisi celah tersebut dengan mengusulkan kerangka kerja verifikasi formal untuk mengevaluasi ketangguhan alokasi daya berbasis deep learning pada sistem massive multiple-input multiple-output (MIMO) multi-sel terhadap berbagai manipulasi masukan adversarial yang mungkin terjadi. Sepengetahuan kami, ini adalah upaya pertama untuk memverifikasi secara formal jaringan saraf dalam pada pengaturan regresi dengan batasan keluaran non-linear.
Penulis memodelkan kemampuan penyerang menggunakan batasan hyper-rectangle pada perturbasinya. Secara formal, untuk masukan dan perturbasi , penyerang dapat memilih apa pun sehingga
, yang mendefinisikan hyper-rectangle . Tujuannya adalah memverifikasi bahwa untuk semua masukan di dalam wilayah ini, keluaran jaringan saraf (daya yang dialokasikan) memenuhi persyaratan kinerja tertentu.
Mengapa penting
Makalah ini menyajikan kerangka kerja verifikasi formal pertama untuk alokasi daya berbasis deep learning pada massive MIMO multi-sel, mengatasi celah kritis dalam jaminan ketangguhan. Dengan memanfaatkan propagasi batas DeepPoly, penulis memberikan over-approximation yang sah dari rentang keluaran jaringan saraf, yang memungkinkan sertifikasi kinerja di bawah perturbasi masukan adversarial. Penggunaan batasan hyper-rectangle untuk pemodelan penyerang bersifat realistis dan dapat dihitung secara komputasional. Hasil menunjukkan bahwa verifikasi formal dapat dicapai dengan celah optimalitas yang moderat, yang menunjukkan bahwa model deep learning untuk kontrol daya dapat dibuat tangguh tanpa kehilangan kinerja yang signifikan. Namun, pendekatan ini memiliki batasan: propagasi batas dapat menjadi longgar untuk jaringan yang sangat dalam, dan verifikasi bersifat spesifik terhadap model perturbasi yang dipertimbangkan. Pekerjaan selanjutnya dapat memperluas kerangka kerja ini ke jenis perturbasi lain (misalnya, kesalahan estimasi kanal) dan ke arsitektur jaringan saraf yang lebih kompleks. Secara keseluruhan, pekerjaan ini menjembatani celah antara pertahanan empiris dan jaminan formal, membuka jalan bagi AI yang dapat dipercaya dalam komunikasi nirkabel.
Siapa yang sebaiknya membaca
Praktisi dan peneliti ilmu komputer
Membuka konten member…