量子加速六代移动网络切片
本论文提出了第一个完全量子联邦学习框架,该框架可以在量子数据上运行并以分散的方式共享量子电路参数的学习。论文首先生成了第一个分层数据格式的量子联邦数据集,然后将其提供给使用 QCNN 模型的客户端执行分类任务,并对提出的 QFL 解决方案进行广泛的实验以评估和验证其有效性。
May, 2021
本文介绍了如何使用深度强化学习(DRL)解决无线接入网络中多个切片共享物理资源,且包含多种不同要求的服务,针对此类场景中的需求感知资源分配问题,作者提出了一种基于生成式对抗网络(GAN)和 DDQN 算法的切片联网资源优化方法。实验表明,所提出的算法可以有效地提高网络切片的资源利用率和服务性能。
May, 2019
该研究论文介绍了量子计算在当前 NISQ 时代的限制,并提出了通过混合量子机器学习来改善量子计算架构的方法,重点是利用强化学习来优化当前的量子计算方法,并介绍了由量子架构搜索和量子电路优化引起的各种挑战,以及提出的用于学习控制一组万能量子门的具体框架,并提供基准结果以评估当前最先进算法的优点和短处。
Dec, 2023
本研究探索了量子联邦学习作为一个框架,通过分布式网络来训练量子机器学习模型的创新领域。我们提出的联邦量子神经网络框架是一种前沿解决方案,将量子机器学习的独特特性与经典联邦学习的原理融合在一起。通过在不同数据集上进行的实验证明,我们的 FedQNN 框架具有很强的适应性和功效,可以在分布式环境中安全处理数据并促进合作学习,结果在三个不同数据集上始终保持超过 86% 的准确率,证明了它在进行各种量子机器学习任务上的适用性。我们的研究不仅确定了传统范式的局限性,还提出了一个新的框架,推动量子机器学习领域进入一个新时代的安全和协作创新。
Mar, 2024
本文介绍了使用量子循环神经网络和深度 Q-learning 算法来解决部分可观察环境中的量子强化学习问题,并且在数值模拟中证明了该方法在标准基准测试如 Cart-Pole 中的结果比经典 DRQN 更加稳定和具有更高的平均分数。
Oct, 2022
本文介绍了一种基于 O-RAN 模块和分布式代理合作,利用注意力机制的深度强化学习(ADRL)技术,以实现更好的网络性能,通过有效信息提取和实现泛化,提出了在分布式代理之间引入值 - 注意力网络来实现可靠和最优决策。模拟结果证明,与其他深度强化学习基线方法相比,该方法显著提高了网络性能。
Jun, 2023
本研究提出了一种基于深度强化学习的网络分片动态资源分配问题解决方案,模拟数据和真实负载驱动跟踪的模型评估表明,相比于基准均等分片策略,我们的解决方案提高了总资源利用率,降低了时延性能,并满足了更多的需求。
Aug, 2019
本文主要介绍了基于量子可逆神经网络(QNN)和经典卷积神经网络 (CNN) 的混合模型,基于联邦学习的分布式训练可以极大地提高训练效率和数据隐私保护,并展示了分布式联邦学习方案对于扩展和隐私方面的有前景的未来研究方向。
Mar, 2021
我们提出了一种新颖的框架,将约束优化方法和深度学习模型相结合,从而实现了强大的泛化能力和优越的逼近能力,基于该框架,我们设计了一种新的神经辅助算法,以在切片之间的资源限制下最大化网络效用,该算法具有高可扩展性,轻松适应不同数量的切片和切片配置,通过与深度强化学习方法等最先进的解决方案进行比较,我们在系统级网络模拟器中实施了该解决方案,并通过大量评估结果表明,在不同网络切片场景下,我们的解决方案获得了近乎最优的服务质量满意度和有希望的泛化性能。
Jan, 2024
本研究探讨了深度强化学习在网络切片资源管理中的应用,并通过广泛的模拟比较实现了无线电资源切片和基于优先级的核心网络切片等场景中深度强化学习的优势。同时,从一个更广泛的视角讨论了在网络切片中应用深度强化学习可能面临的挑战。
May, 2018