Apr, 2024

LLM-ABR：通过大型语言模型设计自适应比特率算法

PDF
TL;DR我们提出了 LLM-ABR 系统，它是首个利用大型语言模型（LLMs）的生成能力自主设计适应不同网络特性的自适应比特率（ABR）算法的系统。在强化学习框架下运行，LLM-ABR 赋予 LLMs 设计状态和神经网络架构等关键部件。我们在多种网络设置下评估 LLM-ABR，包括宽带、卫星、4G 和 5G 网络。LLM-ABR 在表现上始终优于默认 ABR 算法。
llm-abradaptive bitratenetwork characteristicsreinforcement learningdefault abr algorithms
发现论文，激发创造
  • 大型语言模型（LLMs）辅助城市环境下的无线网络部署

    利用大型语言模型（LLMs）为六代（6G）无线通信技术引入一种基于强化学习的新框架，该框架在都市环境中通过训练 RL 代理并结合卷积神经网络（CNNs）利用 LLMs 的优势以及减轻其限制，在优化区域覆盖范围的网络部署中表现出色。

    May, 2024

  • 大型语言模型网络适应

    利用大型语言模型 (LLM) 的适应性，以提供更好的性能和更强的泛化能力，本文首次研究了将 LLM 应用于网络的可持续设计理念，通过 NetLLM 框架实现了高效的 LLM 适应网络问题，并展示了它在不同网络任务中的有效性。

    Feb, 2024

  • 大型语言模型驱动的移动网络课程设计

    本文提出了一种新颖的框架，利用大型语言模型（LLMs）来自动化课程设计，从而增强了强化学习在移动网络中的应用。

    May, 2024

  • 基于大型语言模型增强的 6G 通信多智能体系统

    利用大型语言模型（LLM）结合多智能体系统和自然语言输入，解决 6G 通信中的任务需求、通信知识获取和相关问题的评估与改进。

    Dec, 2023

  • 电信领域的大型语言模型（LLM）：原则、关键技术和机遇的全面调研

    大型语言模型 (LLMs) 在最近因其出色的理解和推理能力而受到了广泛关注，取得了许多领域的巨大进展。LLM 技术的进步也为电信领域的许多任务自动化提供了有希望的机会。本工作旨在提供 LLM-enabled 电信网络的全面概述，介绍了 LLM 的基本原理、关键技术和电信应用，并给出了未来发展方向。

    May, 2024

  • 利用大型语言模型自动化并加快使用奖励机制的强化学习

    我们提出了 LARL-RM 算法，利用自动机将高层知识编码到强化学习中，以加速强化学习过程，同时使用大型语言模型通过提示工程来获取高层领域特定知识，避免了需要专家编码自动机的问题，且能够在无需专家指导和监督下进行全闭环强化学习，我们还展示了算法收敛到最优策略的理论保证，并通过两个案例研究实现了 30% 的加速收敛。

    Feb, 2024

  • 智能基于代理的建模：关于在计算机模拟中使用大型语言模型

    通过将大型语言模型（LLMs）如 GPT 集成到智能智能体建模（SABM）中，我们在这篇综述性研究中阐明了 ABM 的现状，介绍了 SABM 的潜力和方法，并提出了三个案例研究，验证了其在模拟现实系统中的有效性，同时展望了 SABM 未来应用的广阔前景，旨在重新定义计算机仿真的边界，实现对复杂系统的更深入理解。

    Nov, 2023

  • 推荐系统中的大型语言模型调查

    本文概论了基于大型语言模型的推荐系统，提出了两种主要类型（分别为判别型 LLM 推荐 DLLM4Rec 和生成型 LLM 推荐 GLLM4Rec），分别从方法、技术和性能等方面对现有的 LLM 推荐系统进行了系统的分类和评估，并指出了主要挑战和有价值的发现。

    May, 2023

  • 基于 LLMs 增强的上下文强化学习

    通过将大型语言模型与情境赌博算法框架相融合，加强了对于情境的表示，提供更密集且更丰富的视角，初步结果表明这种方法的潜力，与传统赌博算法相比，在累积奖励上有显著改善，且减少了后悔。这种整合不仅展示了大型语言模型在强化学习中的能力，还为全新的情境感知决策系统开启了新的篇章。

    Nov, 2023

  • RRAML: 强化检索增强机器学习

    通过提出一种名为增强检索增强机器学习（RRAML）的新型框架，将大型语言模型的推理能力与用户提供的数据库中的检索信息相结合，有效地解决了 API 文本输入的上下文限制和外部数据源可用性的局限性。

    Jul, 2023