5G NR 下低延迟 XR 的 AI 辅助改进服务提供
本文提出了对于 uRLLC 具有更强相关性的信息延迟的新视角,并介绍了一种智能辅助的、适用于无线网络控制系统的情境感知多智能体强化学习框架(SMART),该框架可以在自主驾驶等典型应用中优化信息延迟,从而在交通效率等 AD 性能方面明显优于传统 uRLLC 系统。
Dec, 2019
在 6G 网络中,我们引入了一种新颖的平台架构,通过基于区块链的智能系统部署零触碰的 PAI 作为服务(PAIaaS),旨在在架构的各个层面上标准化普适的人工智能,并统一接口,以便跨应用程序和基础设施领域轻松部署服务,解决用户在成本、安全和资源分配方面的担忧,并同时遵守 6G 严格的性能要求。作为概念验证,我们展示了联邦学习作为服务的用例,通过评估我们所提出的系统自我优化和自适应于 6G 网络的动态,并最大程度地减少用户的感知成本。
Jul, 2023
这篇文章提出了一种基于人工智能的 6G 网络智能架构,用于实现知识发现、智能资源管理、自动网络调整和智能服务提供。作者还回顾和讨论了 AI 技术在 6G 网络中的应用,并详细阐述了如何利用 AI 技术有效地优化网络性能,包括 AI 支持的移动边缘计算、智能移动和切换管理以及智能频谱管理。另外,作者强调了重要的未来研究方向和 AI-enabled 6G 网络的潜在解决方案,包括算法鲁棒性、计算效率、硬件开发和能源管理等。
Dec, 2019
本文介绍了一种将模型训练和推断能力嵌入到网络边缘的边缘人工智能技术,为 6G 提供了一种优化网络效率、效果、隐私和安全的解决方案,并提出了新的无线网络设计原则、面向服务的资源分配优化方法、端到端的架构以支持边缘人工智能。
Nov, 2021
本文通过引入基于 RNN 的 DDQL 技术和基于 water-filling 算法的服务放置方法,解决了网络云集成环境中的服务放置和资源分配问题,从而实现在 B5G 中动态用户、超低延迟服务的放置以及用户迁移时的服务连续性的优化。
Sep, 2023
本文提出一种可解释的人工智能框架,以实现面向质量的 IoE 服务交付,通过 Shapley 值解释确定语境矩阵的系数,最终,实验结果表明,Extra Trees 回归模型对准确性和解释性之间的权衡具有显着的性能优势。
Jan, 2022
本研究探讨了 AI-XR Metaverse 应用中安全、隐私和可信性方面的挑战,并提出了一套潜在的解决方案来开发安全、私密、稳健和值得信赖的 AI-XR 应用。
Oct, 2022
本文介绍了用于 5G 基站的智能代理,该代理结合了感知、学习、理解和优化的功能以促进实现大规模多输入多输出天线系统、毫米波通信和超密集网络的发展和部署。我们提出了一种灵活、快速部署、跨层次的基于人工智能的框架,以满足即将到来和未来对 5G 及其之外基础设施的需求。我们提供了一些基于人工智能的 5G 应用示例,以适应 5G 特定的重要能力,并讨论了人工智能在推动 5G 进化以及 5G 之外的进一步网络演进方面的价值。
Nov, 2018