利用无线任务先验知识构造深度神经网络
机器学习
2020-01-31 v1 系统与控制
系统与控制
机器学习
摘要
深度神经网络（DNNs）已被用于多方面设计无线系统，如收发机设计、资源优化和信息预测。现有工作要么使用全连接DNN，要么使用其他领域开发的特定架构DNN。虽然为监督学习生成标签和收集训练样本耗时或成本高昂，如何开发具有无线先验的DNN以降低训练复杂性仍属开放问题。在本文中，我们表明无线任务中广泛存在的两类置换不变性质可被利用来减少模型参数数量，从而降低训练的样本和计算复杂性。我们找到了输入输出关系满足这些性质的DNN特殊架构，称为置换不变DNN（PINN），并利用这些性质增广数据。通过学习无线系统规模的影响，所构造PINN的大小可灵活适应输入数据维度。我们以预测性资源分配和干扰协调为例，展示PINN如何用于通过无监督和监督学习来学习最优策略。仿真结果证明了所提PINN在降低训练复杂性方面的显著增益。
引用
@article{arxiv.2001.11355,
title = {Constructing Deep Neural Networks with a Priori Knowledge of Wireless Tasks},
author = {Jia Guo and Chenyang Yang},
journal= {arXiv preprint arXiv:2001.11355},
year = {2020}
}
备注
30 pages, 9 figures. arXiv admin note: text overlap with arXiv:1910.13728