Mar, 2021

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

PDF
TL;DR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。
resource allocationwireless communicationsdeep unsupervised learningneural networktime complexity
发现论文，激发创造
  • 无监督深度学习优化具有瞬时和统计约束的无线系统

    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。

    May, 2020

  • 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

  • 基于深度学习的无线网络资源分配

    该研究探讨了一种基于深度学习的二元分配问题的方法，使用神经网络进行可行性解决方案的生成，提出了一种新的 Sinkhorn 神经网络，并使用无监督学习算法解决了网络分配问题，数值结果表明该方法的有效性。

    Sep, 2021

  • 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

  • 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

  • 基于图神经网络的用户配对在无线通信系统中的应用

    本文提出一种无监督的图神经网络方法用于解决无线通信系统中的用户配对问题，该方法在网络资源分配，用户配对和动态网络等方面显著优于传统的 ML 和 CNN 方法。

    May, 2023

  • GLAN: 基于图的线性分配网络

    本文提出了一种可学习的线性分配求解器，基于深度图网络实现，将费用矩阵转换为二分图，并通过节点和边的特征聚合和更新来选择可靠边，实验结果表明，与现有算法相比，该方法在保证准确性的前提下，能有效提高处理规模。此外，该分配求解器在多目标跟踪领域有着广泛的应用。

    Jan, 2022

  • 学习如何分支：加速无线网络资源分配

    使用机器学习中的模仿学习方法，加速分支定界算法并在深度神经网络中使用创新的损失函数来实现更好的动态控制，以同时实现更好的最优性和更少的计算复杂性。

    Mar, 2019

  • 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

  • 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