拡散モデルを用いたスケジューリングポリシーは、無線リンクごとの最小転送速度制約を満たしつつ、長期的な合計レートをほぼ最適化できることが示された。

本アプローチでは、グラフシグナルの拡散過程を制御し、コンフリクトグラフとリンク制約を条件付けた決定を生成する。モデルはU‑Graph Neural Network (U‑GNN)でパラメータ化され、模倣学習によって最適スケジュールから学習される。

実験結果は、Dual Gradient Descent (DGD) と比較して、目的値が95–98 %に達し、制約違反リンク割合が1 %未満に抑えられていることを示す。さらに、DGD よりも推論時間が約20 %短く、リアルタイム運用に適している。

ただし、最小転送速度要件 δ が0.1を超えると、違反リンク割合が急増し、δ = 0.2 では最大で20 %に達することが確認された。これは極端に厳しい制約下での性能限界を示している。

図 2 では、モデルの目的値、制約違反率、推論時間の比較がグラフサイズ 10 から 5,000 にわたって示され、訓練サイズが増えるほど転送性能とスケーラビリティが向上する様子が可視化されている。