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。

Feb, 2023

提出了一种基于增强学习的无监督图异常检测方法（RAND），该方法利用图神经网络学习节点表示并选择可靠的邻居节点，通过增加增强学习模块和异常感知汇聚器来提高检测性能。实验证明，RAND 方法在合成和真实数据集上优于现有方法。

Dec, 2023

该论文提出了一个基于深度强化学习的方法来解决在只有有限的异常样本和大量无标注数据集的情况下进行异常检测的问题，该方法在自动交互式模拟环境中学习已知异常，并通过探索从而将学习到的异常扩展到未知异常，最终取得了比五种已有方法更好的实验效果。

Sep, 2020

提出了使用深度强化学习 (DRL) 算法的开放无线接入网络 (O-RAN) 切片的转移学习 (TL) 辅助方法，通过政策复用和蒸馏转移学习方法实现了快速收敛和改进泛化能力，显著提高了初始奖励值和收敛场景百分比，减少了奖励方差。

Sep, 2023

本研究利用基于强大的循环神经网络的新颖性检测方法，提高了对高复杂度多用户无线电频段中小异常的检测能力，并在多个常见真实的空中无线电通信频段上进行了实证研究，比较了检测性能。

Nov, 2016

本研究提出了一种基于强化学习的策略重用框架，通过在各种交通场景下训练和存储策略，并结合流量条件，选择最适合的预训练策略以更好地解决通信网络负载均衡问题。实验结果表明，这种方法比传统的基于规则和适应性方法表现更出色。

Mar, 2023

该论文提出了一种新的多智能体强化学习算法，使用图神经网络结构进行全局优化移动网络配置，实现对移动网络的优化。

Jan, 2023

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

本文提出了一种可扩展的强化学习方法，用于同时路由和频谱访问无线自组网中的信号传输，根据邻居节点的地理位置信息智能地制定联合路由和频谱分配决策。

Dec, 2020

本文介绍了机器学习在 Open RAN 技术中的应用，提出了一种名为 RLOps 的系统化模型开发、测试和验证生命周期，探讨了该方法的最佳实践，并设计实现了一个基于 O-RAN 部署的数据分析平台。

Nov, 2021