Jan, 2024
基于深度学习和不确定性量化的自我改进干扰管理
Self-Improving Interference Management Based on Deep Learning With Uncertainty Quantification
Hyun-Suk Lee, Do-Yup Kim, Kyungsik Min
TL;DR本论文提出了一种突破性的自我提升的无线通信干扰管理框架，结合深度学习和不确定性量化，以提高整体系统性能。通过利用深度学习模型来预测最佳的干扰管理解决方案，该方法解决了传统基于优化算法的计算挑战。该框架突破性地认识到数据驱动模型的局限性，特别是在训练数据集未能充分代表的情况下。为了克服这些挑战，我们提出了一种不确定性量化方法，并附带了一个资格标准，以评估模型预测的可信度。该框架在模型生成的解决方案和传统算法之间以策略性的方式交替应用，根据量化的不确定性评估预测的可信度。实验结果验证了该框架的有效性，并展示了其在训练数据集未能充分代表的情况下相对于传统深度学习模型的优越性。本研究是在不确定性量化的视角下，利用自我提升的深度学习进行干扰管理的开创性探索。