May, 2019

基于深度强化学习与图形卷积网络的无线局域网信道分配

PDF
TL;DR该研究旨在提出一种基于深度强化学习和图卷积网络的信道分配方案，使用 GCNs 提取 AP 拓扑结构的特征，进而在竞争图中提高学习速度和控制信道。该方法在模拟实验中表现优于现有方法。
ieee 802.11extremely high throughput study groupreinforcement learninggraph convolutional networkschannel allocation
发现论文，激发创造
  • 一种用于可扩展无线功率控制的图神经网络方法

    本文提出使用图神经网络（GNNs）解决功率控制问题，并设计了干扰图卷积神经网络（IGCNet）来学习最佳功率控制。IGCNet 在无监督的情况下展现出了较好的性能，并且可以解决传统算法下的功率控制问题。

    Jul, 2019

  • 空间深度学习用于无线调度

    本篇研究论文讨论如何使用深度学习方法，通过利用发射机和接收机之间的地理位置，不需要通道估计，对干扰链路的优化调度算法，提出了一种新的神经网络结构。并针对现有的基于模型的方法提出了相对公正的基于比例的调度方法。实际测试表明，该方法可适用于大型网络和不同链路密度的部署，并有效地提高了网络效用。

    Aug, 2018

  • 针对 5G 不同服务质量需求的无线资源分配的深度学习

    本文提出了一种基于深度学习的资源分配策略，通过优化带宽和传输功率来最小化基站的总功耗，并使用级联结构的神经网络和深度迁移学习来应对无线网络中的非平稳性。实验结果表明，相对于全连接神经网络，在 QoS 保证方面，级联神经网络的性能更好。

    Mar, 2020

  • 基于深度强化学习和图神经网络的光可组合数据中心网络感知计算和内存分配

    采用深度强化学习方法，通过图神经网络模型实现网络资源的分配，该方法比现有的最佳启发式算法达到更高的接受率；即使在未适当训练的情况下，可以在规模比训练时大 $10^2$ 倍的数据中心网络中保持高性能。

    Oct, 2022

  • 使用图神经网络进行链路调度

    本文提出了一种基于图卷积网络（GCN）的快速启发式调度策略，该策略可在集中式和分布式环境下实现。采用树搜索和 GCN 指导的一步展开的中心式启发式策略能快速的达到接近最优的解，基于浅层 GCN 的分布式启发式策略能减少近 50％的子最优解差距，且策略具有较好的推广性能。

    Sep, 2021

  • 用于 WLAN 干扰估计的跨网络可转移神经模型

    本文采用基于实际数据的方法，研究 WLAN 中的干扰估计问题。并通过分析各种深度学习体系结构在准确性、泛化性和对异常数据的鲁棒性方面的控制比较，结论是图卷积网络（GCN）表现最佳，但如果不得不给出节点索引，则无法学习特定节点的行为。同时，还验证了 GCN 模型的泛化能力。

    Nov, 2022

  • 基于 SINR 感知的深度强化学习用于认知干扰网络中的分布式动态信道分配

    在认知通信网络中，我们考虑了动态信道分配的问题，旨在最大化在每个网络中给定目标服务质量（QoS）- 信号干扰加噪声比（SINR）下的全局 SINR 度量。我们提出了一种名为 CARLTON 的分布式动态信道分配的多智能体强化学习框架，该框架基于集中式训练与分散式执行的范式，并利用 DeepMellow 基于价值的强化学习算法。我们的结果展示了卓越的性能和健壮的泛化能力，相对于完全集中式方法，它实现了更高的效率，尽管性能略有降低。

    Feb, 2024

  • 用于无线网络系统的深度学习：联合估计 - 控制 - 调度方法

    探究基于无线网络控制系统的深度学习协同设计，使用新型深度强化学习算法与 AoI 技术构建控制器和调度器，提高数据准确性并增强联合训练的稳定性，以此解决传统设计方法中大量难以有效解决的问题，并在不同场景中提供显著的性能表现.

    Oct, 2022

  • 无线网络中动态功率分配的多智能体深度强化学习

    本文提出了一种分布式执行的动态功率分配方案，基于无模型深度强化学习技术，通过收集 CSI 和服务质量（QoS）信息，每个发射机适应自己的发射功率，旨在最大化加权和速效用函数，可特化为实现最大总速率或比例公平调度。本方案特别适用于系统模型不精确，CSI 延迟不可忽略的实际场景，能够在真实时间内实现几乎最优的功率分配。

    Aug, 2018

  • 使用图神经网络进行分布式调度

    该论文提出了一种基于图卷积网络的分布式最大权独立集求解器，通过学习拓扑感知节点嵌入和网络权重相结合，并调用贪心算法，即使在小型至中型无线网络中，浅层的基于 GCN 的 MWIS 调度器也可以利用图的拓扑信息将分布式贪心求解器的次优误差减半，在保持图形一般性的同时，增加的计算复杂性很小。

    Nov, 2020