大型语言模型(LLMs)辅助城市环境下的无线网络部署
这篇研究论文介绍了一种名为 WirelessLLM 的综合框架,旨在将大型语言模型应用于无线通信网络领域,并解决其独特挑战和需求。通过确定知识对齐、知识融合和知识演进三个基本原则,并探讨了构建 WirelessLLM 的关键技术,包括提示工程、检索增强生成、工具使用、多模态预训练和领域特定微调。此外,还展示了 WirelessLLM 在解决无线网络典型问题方面的实际应用和益处,并提出了未来研究的挑战和潜在方向。
May, 2024
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
本文解决了利用大型语言模型(LLMs)和基础模型设计人工智能(AI)本地网络的问题,提出了一种以无线为中心的基础模型架构,其中包括多模态模型,通过神经符号 AI 进行逻辑和数学推理,并展示了 RAG 在 LMMs 中的有效性,以及 LMMs 相对于 vanilla LLMs 在数学问题回答方面表现出的增强的推理能力。
Jan, 2024
利用移动设备和边缘服务器之间的协作,我们提出了一个用于 6G 网络中的 LLM 代理的分裂学习系统,其中具有不同角色的多个 LLM 代理分布在移动设备和边缘服务器上以协同执行用户代理交互任务。此外,我们引入了一种新颖的模型缓存算法,以提高上下文中的模型利用率,从而降低协作移动和边缘 LLM 代理的网络成本。
Jan, 2024
这篇论文介绍了一种使用大型语言模型(LLM)融入到代理框架中的创新方法,用于灵活高效的个性化移动生成,并重点解决了将 LLMs 与现实世界的城市移动数据对接的三个研究问题:将 LLMs 与丰富的活动数据对接、开发可靠的活动生成策略以及探索 LLMs 在城市移动中的应用。
Feb, 2024
通过引入层级分布式的大型语言模型(LLM)架构,提高 LLM 在异构计算平台上的可访问性和可部署性,实现按需访问和定制化服务,并在用户与应用需求之间取得最佳权衡,推动人工智能技术的进步。
Jan, 2024
通过将大型语言模型(LLMs)与机器学习(ML)模型相结合,我们提出了 “生成式 AI 在环” 的概念,利用 LLMs 的语义理解、上下文感知和推理能力来辅助人类处理移动通信网络中的复杂或意外情况,并通过合成数据来增强基于 ML 的网络入侵检测,这进一步展示出我们提出的想法的优势。
Jun, 2024