面向6G的主动机器学习：迈向高效的数据生成、获取与标注
网络与互联网体系结构
2024-06-07 v1 人工智能
机器学习
摘要
本文探讨了主动机器学习（ML）在6G网络中的集成，这是一个尚未充分探索但具有潜力的领域。与被动ML系统不同，主动ML可以与网络环境交互。它主动选择信息丰富且具有代表性的数据点进行训练，从而减少所需数据量，同时加速学习过程。虽然主动学习研究主要关注数据标注，但我们呼吁一个以网络为中心的主动学习框架，该框架同时考虑标注（即标签是什么）和数据获取（即收集哪些样本以及多少样本）。此外，我们探索了生成式人工智能（AI）与主动学习之间的协同作用，以克服主动学习和生成式AI中现有的局限性。本文还以一个毫米波吞吐量预测问题的案例研究来展示主动学习对6G网络的实际好处和改进的性能。此外，我们讨论了主动学习如何扩展到众多6G网络用例。我们强调了基于主动学习的6G网络在提高计算效率、数据标注和获取效率、适应性以及整体网络智能方面的潜力。最后，我们讨论了主动学习在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包含人和机器在环的学习。
引用
@article{arxiv.2406.03630,
title = {Active ML for 6G: Towards Efficient Data Generation, Acquisition, and Annotation},
author = {Omar Alhussein and Ning Zhang and Sami Muhaidat and Weihua Zhuang},
journal= {arXiv preprint arXiv:2406.03630},
year = {2024}
}
备注
Submitted to IEEE Network Magazine