MMMay, 2020

无监督深度学习优化具有瞬时和统计约束的无线系统

PDF
TL;DR本论文提出了使用无监督深度学习解决无约束和有约束变量优化问题的统一框架，并以资源配置为例证明了这一框架的有效性。实验结果表明，与监督学习相比，无监督学习在保证服务质量约束的同时可以更快地达到最优策略和减少 QoS 违规概率。
deep neural networksunsupervised learningoptimization problemsresource allocationquality-of-service
发现论文，激发创造
  • 使用无监督和强化 - 无监督深度学习优化无线系统

    本文介绍了无监督学习和强化学习算法，用于解决无模型或函数优化问题，其中深度神经网络可用于维度较高的可变优化问题，而强化学习适用于不可行的情况，并以用户关联问题为例进行模拟和应用验证。

    Jan, 2020

  • 无监督学习优化：为 URLLC 训练深度神经网络

    本文提出了一种基于无监督深度学习的学习优化的框架，用于解决数值优化问题，可同时应用于函数和变量优化问题，并以超高可靠性通信为例，证明了深度学习可实现无监督学习下的变量优化保障极高的可靠性通信。

    May, 2019

  • 基于模型无关的无监督学习方法解决带约束优化问题

    本文提出一种无模型学习框架来解决无法推导出目标函数或限制条件的优化问题，同时将神经网络用于参数化所需优化的函数、参数化瞬时限制条件相关的拉格朗日乘数以及逼近未知的目标函数或限制条件。数值和模拟结果验证了所提出的框架的有效性，并以功率控制问题作为例子证明了模型无关学习的效率。

    Jul, 2019

  • 带 QoS 保证的功率控制：一个可微投影无监督学习框架

    本文介绍了一种基于深度神经网络的无监督学习框架，以解决多用户干扰信道中的功率控制问题，该问题的目标是在用户的最低数据速率或 QoS 要求和功率预算限制下最大化网络总速率，并使用两个新的深度学习（DL）解决方案：DIPNet 和 DEPNet，这些解决方案不仅可以提高可达数据速率，而且可以实现零约束违规概率。

    May, 2023

  • 在无线系统中学习最佳资源分配

    本研究探讨在无线通信系统中设计最优资源分配策略。使用深度神经网络进行训练，同时解决主次变量优化问题。通过数值模拟，验证了所提出方法在许多无线资源分配问题中的有效性。

    Jul, 2018

  • 学习优化：训练深度神经网络用于 无线资源管理

    本文提出了一种基于深度神经网络的学习算法来近似数值优化算法，在无线资源管理的应用中，此算法可以在几乎实时完成资源分配，大大提高了计算效率。同时，本文也在理论和实践两方面讨论了基于深度神经网络的算法逼近，并在实现方面用大量数值模拟来证明该算法相对于基于优化的最先进的功率分配算法可以实现几个数量级的加速。

    May, 2017

  • 分布式优化的深度学习：无线资源管理应用

    本文研究了在无线网络中解决分布式非凸约束优化问题的深度学习框架，其中使用基于本地信息的有效状态分配。通过引入深度神经网络，将原始问题转化为基于非凸约束的 DNN 的训练任务，并开发了一种基于原始 - 对偶方法的约束训练策略，为分布式实现开发了一种新的输出二值化技术。实验结果证实了该方法的有效性。

    May, 2019

  • 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

  • 广义分配问题的深度无监督学习：无线网络中用户关联的案例研究

    使用深度无监督学习方法（DUL）来解决无线通信领域中的资源分配问题，该方法通过使用自定义的损失函数对深度神经网络进行训练。结果表明，使用该方法可以在更短的时间内获得接近最优解的结果。

    Mar, 2021

  • 受限经验风险最小化：理论与实践

    提出了一种框架，允许在广泛使用的深度神经网络中严格执行约束条件，其中约束通过限制 DNN 参数的子流形来确切满足。该框架的一个示例是将卷积神经网络（CNN）的滤波器限制为小波，并将这些小波网络应用于医学领域的轮廓预测任务。

    Feb, 2023