Nov, 2020

学习在随机动态环境中持续优化无线资源

PDF
TL;DR本文提出了一种在动态环境中实现数据驱动方法持续学习和优化的方法，通过将持续学习（CL）概念融入到无线系统学习的建模过程中，使学习模型不断适应新的情境，同时不忘记从前几次情境中学习的知识，并针对两种流行的基于深度神经网络的模型进行定制。数值结果表明，所提出的 CL 方法不仅能够迅速而无缝地适应新场景，而且在先前遇到的场景中保持高性能。
data-drivendeep neural networkscontinual learningwireless systemsdynamic environment
发现论文，激发创造
  • 成本感知连续学习中的快速上下文适应

    本文探讨了在 5G 等新型网络中，如何平衡学习过程和用户数据平面的资源需求，并提出了一种动态策略来达成资源的有效利用和数据保障。研究结果表明，该方法在减少对用户 QoS 干扰的同时，可以比传统静态分配方法更快地达到高效的资源分配策略，达到了一个近似理想离线联邦学习解决方案的性能。

    Jun, 2023

  • 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

  • 适应动态环境和任务的统一认知学习框架

    提出了一种统一的认知学习（CL）框架，它受灵长类动物大脑认知机制的启发，具有动态适应环境和任务的能力、自我学习能力，以及优秀驱逐劣质能力；并且经过了基于公开权威数据集的验证，可以丰富当前的学习框架并扩大应用范围。

    Jun, 2021

  • 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

  • 数据高效无线网络优化的持续模型强化学习

    通过持续强化学习控制策略，我们设计了一种方法来解决在新的无线网络站点部署单元级参数优化策略所需的长时间延迟问题。仿真结果显示，与重新初始化和重新训练的基线相比，所提出的系统能够在不减少优化效益的情况下缩短端到端部署时间。

    Apr, 2024

  • 无线网络中动态多通道接入的深度强化学习

    研究多通道接入的问题，应用深度 Q 网络实现对于未知系统动态的自适应学习，以最大化长期回报，通过仿真与实际数据跟踪比较表明该方法在更为复杂的情境下具有最佳性能。

    Feb, 2018

  • 通过学习进行通信的主动感知

    本文提出了一种深度学习方法，用于解决无线通信中的一类主动感知问题。该方法利用 LSTM 网络和 DNN 网络，旨在优化自适应信道感知任务，包括自适应波束成形和自适应可重构智能表面感知问题。数值结果表明该新方法优于现有的自适应或非自适应感知方案。

    Dec, 2021

  • 基于门控增量记忆的连续学习用于序列数据处理

    提出基于循环神经网络（RNN）的连续学习模型，利用弹性权重合并法（EWC）处理输入分布的概念漂移，通过在两种不同类型的 RNN 之上实现和测试 EWC，比较了改进后的架构与 EWC 和 RNN 在标准连续学习基准测试中表现的差异，并高亮了需要专门解决 RNN 中的连续学习的问题。

    Apr, 2020

  • 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

  • MISO 下行系统的鲁棒波束成形学习

    本研究提出了一种基于深度神经网络的训练算法，能够在多用户系统中，仅基于部分自适应通道状态信息的不完全观测，提供有效鲁棒的波束成形方案。

    Mar, 2021