面向5G/6G应用的深度强化学习数学导论
网络与互联网体系结构
2024-03-22 v1
摘要
算法创新能够释放超5G（B5G）/6G通信系统的潜力。人工智能驱动的零接触网络切片被视为一种有前景的前沿技术，可充分利用异构6G网络的潜力，并实现需求感知管理与编排（MANO）的自动化。6G网络中的网络切片持续向包含微服务或宏服务的众多切片演进，因此，设计一种鲁棒、稳定且分布式的学习机制被认为是必要的。在这方面，鲁棒的类脑与类多巴胺学习方法，如Actor-Critic方法，可以发挥关键作用。本教程首先介绍网络切片、强化学习（RL）及近期最先进（SoA）算法。随后，论文详细阐述了基于价值与基于策略的方法相结合，形成适应未来无线网络需求的Actor-Critic技术。
引用
@article{arxiv.2403.14516,
title = {A Mathematical Introduction to Deep Reinforcement Learning for 5G/6G Applications},
author = {Farhad Rezazadeh},
journal= {arXiv preprint arXiv:2403.14516},
year = {2024}
}
备注
6 pages, 2 figures. arXiv admin note: text overlap with arXiv:2211.03430