面向资源分配鲁棒深度强化学习的多任务方法
机器学习
2023-04-26 v1 系统与控制
系统与控制
摘要
随着现代通信系统复杂性的增加，机器学习算法已成为研究焦点。然而，性能需求随复杂性同步收紧。对于未来无线的一些关键应用（如医疗领域），严格可靠的性能保障至关重要，但已表明普通机器学习方法难以应对此类需求。因此，问题在于这些方法能否被扩展以更好地满足此类应用所施加的需求。本文中，我们研究一个具有罕见重大事件、必须妥善处理的组合资源分配挑战。我们提议将其视为多任务学习问题，从该领域选取两种方法——弹性权重巩固（Elastic Weight Consolidation）与梯度情景记忆（Gradient Episodic Memory），并将其集成到普通的 actor-critic 调度器中。我们将其在处理黑天鹅事件（Black Swan Events）上的性能与扩充训练数据分布这一最先进方法进行比较，并报告多任务方法被证明极为有效。
引用
@article{arxiv.2304.12660,
title = {A Multi-Task Approach to Robust Deep Reinforcement Learning for Resource Allocation},
author = {Steffen Gracla and Carsten Bockelmann and Armin Dekorsy},
journal= {arXiv preprint arXiv:2304.12660},
year = {2023}
}