MMFeb, 2023

自监督变压器架构用于无线接入网络变化检测

PDF
TL;DR本研究提出一种基于自我监督学习框架的方法，利用自我关注和自我蒸馏技术检测 Performance Measurement 数据中的变化，达到 RAN 网络监测的目的，并在真实数据集上实现了 4% 的性能提升。
ranstelecommunicationsself-supervised learningperformance measurement datanetwork monitoring
发现论文，激发创造
  • 利用图神经网络和 Transformer 对 5G RAN 中的异常进行根本原因分析

    5G 技术带来了重大的里程碑发展，允许新的应用，如增强现实和自动驾驶车辆。然而，这些改进带来了管理复杂性的增加和对故障处理的特别关注，因为 5G 旨在支持的应用程序严重依赖于高网络性能和低延迟。因此，自动自愈解决方案已经成为处理这一要求的有效方式，允许基于学习的系统自动检测异常并执行根本原因分析 (RCA)。然而，实施这种智能系统存在固有的挑战。首先，在异常检测和 RCA 方面缺乏合适的数据，因为故障场景的标记数据不常见。其次，当前的智能解决方案针对 LTE 网络定制，没有完全捕捉到数据中存在的时空特征。鉴于此，我们利用一个校准的模拟器 Simu5G，生成开源的正常和故障场景数据。使用该数据，我们提出了 Simba，一个在 5G 无线接入网络 (RANs) 中进行异常检测和根本原因分析的最先进方法。我们利用图神经网络来捕捉空间关系，而 Transformer 模型则用于学习数据的时间依赖性。我们实现了 Simba 的原型并对多个故障进行了评估。将结果与现有解决方案进行比较，验证了 Simba 的优越性。

    Jun, 2024

  • 基于强化学习的 RAN 优化中的可扩展任务分组的异常检测

    使用基于学习的方法优化移动通信网络 (RAN) 在最近几年得到了越来越多的关注，本文提出了一个可扩展的框架，用于构建一个策略库，可以在大量具有不同流量模式的基站上进行 RAN 优化，并将异常检测技术应用于判断任务与策略库的兼容性，以高效地使用计算资源。

    Dec, 2023

  • 利用网络变换器进行自监督和可解释的异常检测

    本文介绍了一种具有图形结构的 DNN 模型 - 网络转换器 (NeT)，用于检测工业控制系统中的异常，提供了分层次的功能，可以分析网络行为，提升了可解释性。

    Feb, 2022

  • 无线系统同步学习的注意力模型：Radio Transformer Networks

    我们使用学习到的注意模型和适用于无线电领域的空间变换引入新的适当变换，通过优化分类精度、稀疏表示和正则化来学习一个定位网络，能够在零知识下对无线电信号进行盲同步和标准化，从而在信噪比方面胜过不带注意力机制的相同系统。

    May, 2016

  • 利用自我监督学习引导自主雷达启动

    自主车辆的感知问题中，使用雷达来感知的能力使其引起了研究人员的兴趣，然而，由于昂贵和难以标注大规模雷达数据，训练雷达模型一直存在困难。为了解决这个瓶颈问题，我们提出了一种自我监督学习框架，利用大量无标签的雷达数据来预训练仅用于自动驾驶感知任务的雷达嵌入。该方法结合了雷达对雷达和雷达对视觉的对比损失，从配对的无标签雷达热图和相应的相机图像中学习出一种通用表示。在下游目标检测任务中应用时，我们证明了该自我监督框架能够提高现有监督基线方法的 mAP 准确度 5.8%。

    Dec, 2023

  • 使用从头开始训练的 Transformer 进行遥感变化检测

    本文提出了一种全新的变化检测方法，采用转换器进行从头开始训练，并在四个公共基准测试中实现了最先进的性能。该方法使用一种混洗的稀疏注意力操作来捕获 CD 数据的固有特征，并介绍了一种改变增强的特征融合模块来提高相关语义变化，同时抑制噪声。

    Apr, 2023

  • O-RAN 中网络切片的高效资源分配的半监督学习方法

    我们提出了一种创新的方法，旨在协调 Open Radio Access Network（O-RAN）中的多个独立 xAPPs，以实现网络切片和资源分配，并优化用户设备（UE）之间的加权吞吐量和物理资源块（PRB）的分配。通过设计 power control xAPP 和 PRB allocation xAPP，我们的方法通过监督学习和无监督学习的组合实现了高效的网络切片问题解决方案。与其他方法相比，我们的方法在不同场景中展现出更高的性能和效果。

    Jan, 2024

  • 基于改进的自注意力机制的高分辨率电力设备识别

    通过基于深度自注意力网络的创新方法，在自动化电气设备巡检方面提供了突破性的新视角，通过使用高分辨率图像提高了识别精度，并通过引入图像的语义内容来进一步改善了预测效果。

    Nov, 2023

  • 自监督无线电视觉对应实现本地化

    该研究提出了 MaxRay 数据集和基准测试，以便了解通过提取无标签的自我坐标来训练无监督的无线电定位器网络如何在精确目标定位方面表现。结果表明，可以实现精确的无线电目标定位，这对于实现统一通信感知基础架构上的强大的无线电感知至关重要。

    Jun, 2022

  • 基于知识引导的预测架构的 SAR ATR 自监督学习

    通过使用本文提出的具有知识引导预测架构，通过预测未见上下文的多尺度 SAR 特征表示，将传统 SAR 领域特征提取与最先进的可扩展自监督学习相结合，以准确的广义特征表示进行 SAR 目标识别，这一方法在各种下游数据集上验证成功，并在 SAR 目标识别中实现了一致的性能提升。

    Nov, 2023