机器学习赋能的可重构智能表面辅助 6G 网络优化概述：从强化学习到大语言模型
网络与互联网体系结构
2024-09-18 v2 机器学习
系统与控制
系统与控制
摘要
可重构智能表面（RIS）通过在智能无线电环境中重塑信号传播，成为 6G 网络的一项有前景的技术。然而，由于大量元件和专用的相移优化，它也给网络管理带来了显著的复杂性。在这项工作中，我们概述了机器学习（ML）赋能的 RIS 辅助 6G 网络优化。特别地，我们关注各种强化学习（RL）技术，例如深度 Q-learning、多智能体强化学习、迁移强化学习、分层强化学习和离线强化学习。与现有研究不同，本工作进一步讨论了如何将大语言模型（LLMs）与 RL 结合以处理网络优化问题。结果表明，LLM 在泛化、奖励函数设计、多模态信息处理等方面为增强 RL 算法的能力提供了新机遇。最后，我们确定了 ML 赋能的 RIS 辅助 6G 网络优化的未来挑战和方向。
引用
@article{arxiv.2405.17439,
title = {An Overview of Machine Learning-Enabled Optimization for Reconfigurable Intelligent Surfaces-Aided 6G Networks: From Reinforcement Learning to Large Language Models},
author = {Hao Zhou and Chengming Hu and Xue Liu},
journal= {arXiv preprint arXiv:2405.17439},
year = {2024}
}