使用结合多模态 Transformer 与迁移学习的上下文赌博机进行 ISAC 中的波束选择
信号处理
2025-03-13 v1 机器学习
摘要
第六代（6G）无线技术预计将引入通感一体化（ISAC）作为一项变革性范式。ISAC 将无线通信与 RADAR 或其他形式的传感统一起来，以优化频谱和硬件资源。本文提出了一个开创性框架，利用 ISAC 传感数据来增强复杂室内环境中的波束选择过程。通过将多模态 Transformer 模型与多智能体上下文赌博机算法相结合，我们的方法利用 ISAC 传感数据来提高通信性能，并实现了高频谱效率（SE）。具体而言，多模态 Transformer 能够捕获模态间关系，增强模型在不同场景下的泛化能力。在 DeepSense 6G 数据集上的实验评估表明，我们的模型优于传统的深度强化学习（DRL）方法，实现了卓越的波束预测准确率和适应性。在单用户场景中，与 DRL 相比，我们实现了 49.6% 的平均 SE 遗憾改善。此外，我们采用迁移强化学习来减少多用户环境中的训练时间并提高模型性能。在多用户场景中，与从头训练相比，即使后者训练时间长达 100 倍，该方法仍使平均 SE 遗憾（衡量所学策略与最优 SE 策略之间差距的指标）改善了 19.7%。
引用
@article{arxiv.2503.08937,
title = {Beam Selection in ISAC using Contextual Bandit with Multi-modal Transformer and Transfer Learning},
author = {Mohammad Farzanullah and Han Zhang and Akram Bin Sediq and Ali Afana and Melike Erol-Kantarci},
journal= {arXiv preprint arXiv:2503.08937},
year = {2025}
}
备注
6 pages, 4 figures, 2 tables, IEEE International Conference on Communications 2025