损伤感知GNN：无蜂窝MIMO ISAC鲁棒波束成形新框架

无蜂窝大规模MIMO与通感一体化（ISAC）的结合，被视为6G网络的关键使能技术。然而，信道状态信息（CSI）误差与杂波的不确定性，让波束成形设计的可靠性面临严峻挑战。一篇最新论文提出损伤感知异构图神经网络框架，让单一模型同时适应两类损伤，为ISAC系统在不确定环境下的鲁棒性提供了新思路。

问题背景：CSI误差与杂波的双重不确定性

在无蜂窝MIMO系统中，多个接入点协同服务用户，波束成形设计需要同时优化通信速率与感知性能。ISAC场景下，这一优化问题更加复杂：系统既要向用户发送数据，又要利用同一信号探测环境目标。

现实部署中，两类不确定性难以避免。其一是CSI误差——信道估计永远存在偏差，尤其在高移动性或低信噪比场景下更为显著；其二是杂波协方差的不确定性——感知接收机会收到来自建筑物、地形等非目标物体的反射，这些杂波的空间特征难以精确建模。

传统鲁棒优化方法通常针对某一类损伤单独设计，当两类不确定性同时存在时，要么计算复杂度急剧上升，要么保守性过强导致性能损失。论文作者指出，现有方案缺乏一种能同时处理CSI误差和杂波不确定性的统一框架。

框架设计：异构图神经网络如何编码损伤信息

论文的核心创新在于将损伤信息嵌入图神经网络的边特征。具体来说，作者构建了一个异构图结构：节点代表接入点、用户和感知目标，边则承载两类关键信息——CSI误差水平和杂波协方差。

这种设计的巧妙之处在于，GNN通过消息传递机制，让每个节点根据相邻边的损伤特征自适应调整波束成形策略。单一训练好的模型因此能够同时适应CSI误差和杂波变化，而无需针对每种损伤组合重新训练。

训练目标的设计同样值得关注。作者采用最小用户速率的低分位数作为优化目标，而非平均速率，这保证了边缘用户的通信质量。同时，引入杂波感知的信杂噪比（SCNR）来平衡感知性能，并通过归一化Tchebycheff标量化方法处理多目标优化中的权衡关系。

异构图神经网络（Heterogeneous Graph Neural Network）是图神经网络的一个变体，其核心特点是图中包含多种类型的节点和边，且不同类型的节点和边具有不同的特征空间与语义关系。与同构图（所有节点和边类型相同）相比，异构图能更自然地建模现实系统中实体类型的多样性，例如无线网络中的接入点、用户、感知目标等。异构图神经网络通常通过类型特定的变换矩阵将不同节点的特征映射到统一空间，并在消息传递过程中考虑边的类型信息，从而学习到更丰富的结构表示。在无线通信领域，异构图神经网络已被用于功率分配、用户调度等问题，其优势在于能灵活适配网络拓扑的动态变化和异构性。

消息传递机制（Message Passing Mechanism）是图神经网络的核心计算范式。其基本思想是：图中每个节点通过聚合来自邻居节点的消息（通常为邻居特征经变换后的向量）来更新自身表示，经过多轮迭代后，每个节点能够捕获其局部邻域乃至全局的结构信息。具体而言，第k轮迭代中，节点v的表示更新通常包括消息生成、消息聚合和节点更新三个步骤。消息传递机制的优势在于其能够处理不规则拓扑、支持归纳学习（即对未见过的图结构进行推理），且计算复杂度与边数线性相关。在波束成形设计中，消息传递使每个节点能够根据相邻边的损伤特征（CSI误差、杂波协方差）自适应调整策略，这正是该框架实现损伤感知的关键机制。

仿真结果：单一模型逼近专用基线性能

仿真验证了该框架的有效性。在仅感知和仅通信两种设置下，所提GNN框架均优于对比基线。更具说服力的是，当单一GNN模型同时服务两种功能时，根据工作点的不同，能达到各自基线约97%的速率——这意味着通感一体化带来的性能折损被控制在很小的范围内。

模型的泛化能力是另一亮点。实验表明，训练后的GNN能够推广到未见过的CSI误差水平和杂波数量，系统在不确定环境下的鲁棒性显著增强。这一点对于实际部署尤为重要：真实网络中的损伤分布会随时间变化，模型需要具备应对分布偏移的能力。

Tchebycheff标量化（Tchebycheff Scalarization）是多目标优化中常用的一种将多个目标转化为单目标的方法。其基本形式为：min max_i { λ_i (f_i(x) - z_i*) }，其中λ_i为权重向量，z_i*为各目标的理想点（通常为单目标最优值）。归一化Tchebycheff标量化通过对各目标进行归一化处理，使得不同量纲的目标可以公平比较，并能够生成帕累托前沿上的均匀分布解。在通信与感知的权衡中，该方法允许设计者通过调整权重向量来探索不同的性能折中点，从而灵活平衡通信速率与感知信杂噪比。相比线性加权法，Tchebycheff标量化能够更好地处理帕累托前沿非凸的情况，保证解的多样性。

启示与局限

这项工作的价值在于提供了一种“损伤感知”的设计范式——不是试图消除不确定性，而是让网络学会在不确定性中做出鲁棒决策。图神经网络之所以适合这一任务，在于其天然适配无蜂窝系统的拓扑结构，且消息传递机制能够有效聚合局部损伤信息。

提一嘴，论文目前基于仿真验证，实际系统部署中的计算开销、训练数据需求以及与现有协议的兼容性仍有待考察。此外，杂波协方差的获取本身在现实中就存在误差，框架对这一先验质量的敏感度尚未充分讨论。

总体而言，该框架为ISAC系统的鲁棒波束成形提供了有前景的方向，损伤感知的图表示思路也可能启发其他无线资源分配问题的研究。

杂波协方差（Clutter Covariance）是感知系统中描述杂波空间相关特性的二阶统计量。在雷达或通感一体化系统中，杂波指来自非目标物体（如建筑物、地形、植被等）的反射信号，这些反射会干扰对目标的检测与参数估计。杂波协方差矩阵刻画了杂波在不同天线通道间的相关结构，其获取通常依赖于先验环境知识或通过辅助数据估计。在实际系统中，杂波协方差往往难以精确已知，且会随环境变化（如天气、车辆移动）而动态改变，因此其不确定性是影响感知性能的关键因素之一。在波束成形设计中，考虑杂波协方差的不确定性有助于提升系统在复杂环境下的鲁棒性，避免因杂波抑制不足导致的虚警或检测性能下降。