6G 主动机器学习：高效数据生成、采集和注释方向

Jun, 2024

6G 主动机器学习：高效数据生成、采集和注释方向

Active ML for 6G: Towards Efficient Data Generation, Acquisition, and Annotation

Omar Alhussein, Ning Zhang, Sami Muhaidat, Weihua Zhuang

TL;DR探索了将主动机器学习与 6G 网络集成的研究，该领域尚未得到充分探索，但具有潜力。与被动机器学习系统不同，主动机器学习可以与网络环境进行交互，并通过选择信息丰富、具代表性的数据点进行训练，从而减少所需的数据量并加速学习过程。此外，还探讨了生成人工智能和主动学习之间的协同作用，以克服主动学习和生成人工智能方面的现有限制。通过一个毫米波传输速率预测问题的案例研究，演示了主动学习在 6G 网络中的实际好处和性能改进。此外，还讨论了主动学习对于众多 6G 网络用例的潜力，包括提高计算效率、数据标注和采集效率、适应性和整体网络智能性。最后，探讨了主动学习在 6G 网络中的挑战和未来研究方向，包括开发新的查询策略、分布式学习集成，以及人机协同学习的加入。

Abstract

This paper explores the integration of active machine learning (ML) for 6G networks, an area that remains under-explored yet holds potential. Unlike passive ML systems, active ML can be made to interact with the network environment. It actively selects informative and representative da

active machine learning 6g networks generative artificial intelligence mmwave throughput prediction network-centric active learning framework

发现论文，激发创造

借鉴最佳实践：无线通信的主动学习

本文介绍了无线通信中深度学习应用的主动学习算法，通过在无标签数据集中识别关键和信息量最高的样本，仅对这些样本进行标记，从而减少标注开销并保持与传统训练相同的准确性。在深度学习基于毫米波波束选择的案例研究中，我们对多模态数据集进行了不同主动学习算法的性能评估，结果表明，在存在类别不平衡的数据集上，使用主动学习算法可以将标注开销降低 50%。

Jan, 2024

自动化网络流量分类的主动学习框架

本文介绍了一种基于主动学习框架（ALF）的网络流量分类方法，它提供了准备好的软件组件，用于部署主动学习循环和自动维护数据集和机器学习模型的实例。该方法可应用于高速网络（100Gb/s），支持不同的注释、评估和数据集优化策略的研究实验。

Oct, 2022

人工智能驱动的智能 6G 网络

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

贝叶斯生成主动深度学习

本文提出一种贝叶斯生成主动深度学习方法，将主动学习与数据增强相结合，通过在 MNIST、CIFAR-10/100 和 SVHN 数据集上进行训练和分类实验证明，此方法具有更高效的训练和更好的分类结果。

Apr, 2019

无线通信网络中的机器学习 6G 白皮书

本文着眼于机器学习在无线通信领域的应用，分析了其对 6G 网络的影响，提出了在 6G 网络各层使用机器学习方法解决问题的前景以及使用 ML 进行无线网络的零触碰优化的有趣方面，并针对每个部分提出了有价值的研究问题。

Apr, 2020

6G 无线网络机器学习应用中的隐式通道学习

本论文探讨了机器学习在 6G 中扮演的角色，提出通过隐式通道学习来完成无线信道估计与机器学习任务结合的方法，并在无线数据传输中达到了 60% 的图像和语音分类任务准确率提升。

Jun, 2022

面向传输学习的 6G 网络神经架构搜索

未来 6G 网络是 AI 原生的，并且机器学习模型将广泛应用于优化性能、降低能耗以及应对不断增加的复杂性和多样性。本文描述和回顾了神经架构搜索和迁移学习在网络领域的最新技术，并针对未来网络领域的三个主要需求，即融合 NAS 和 TL、多目标搜索以及表格数据，识别了开放性的研究挑战和发展方向。最后，我们概述和讨论了近期和长期的工作展望。

Jun, 2024

用于图像分类的主动生成对抗网络

本研究提出了一种结合有监督的条件生成对抗网络和主动学习的新模型，以更小的代价获得数据的标记，且生成的样本能有效地提高流行的图像分类任务中的分类性能。

Jun, 2019

面向 6G 通信的联邦学习：挑战，方法和未来发展

本文介绍了 6G 通信与联邦学习的集成，并提供了联邦学习在 6G 通信中的潜在应用，描述了联邦学习在 6G 通信中的关键技术挑战、对应的联邦学习方法和未来研究的开放性问题。

Jun, 2020

边缘上的主动推理：一个设计研究

机器学习在分布式计算系统中被广泛应用于解释和预测行为，特别是在物联网设备产生大量数据时，通过边缘设备进行数据处理和机器学习训练。为了保证服务质量，系统通过机器学习进行监督和动态调整。然而，如果机器学习模型长时间不进行重新训练，它们可能无法准确捕捉到变量分布的渐变变化，导致对系统状态的错误预测。此外，随着预测准确度的降低，报告设备应主动解决不确定性以提高模型的精确性。脑神经科学中的主动推理（Active Inference）概念可以提供这种自主决策的能力，它描述了大脑如何不断预测和评估感觉信息以减少长期的惊奇感。我们在一个智能制造案例中实现了这些概念，通过一个单一的行动 - 感知循环实现了分布式智能体，展示了我们的主动推理代理能够在满足服务质量要求的同时快速和可追溯地解决优化问题。

Nov, 2023