面向多样移动无线网络的持续学习前向策略泛化
网络与互联网体系结构
2025-09-30 v1 人工智能
摘要
深度强化学习（DRL）已成功用于设计多跳移动无线网络的前向策略。虽然这些策略可直接用于具有不同连接性和动态条件的网络，但开发在训练环境与显著不同场景中仍然有效的通用方法，仍然基本未被探索。本文提出了一个框架来解决泛化性挑战：（i）开发一个考虑多样移动网络场景的通用基模型，（ii）使用该通用基模型处理新场景，必要时使用来自新场景的少量数据进行微调。为支持该框架，我们首先设计新的特征来描述网络变化和特征质量，从而改善DRL基于前向决策所使用的信息。随后，我们开发一种持续学习（CL）方法，能够在不发生"灾难性遗忘"的情况下跨越 diverse network scenarios 训练DRL模型。通过广泛的评估，包括两个城市的实际场景，我们表明该方法对不可见的移动场景具有良好的可泛化性。相对于一种最新方法的启发式前向策略，本方法可实现延迟降低最高78%，投递率提高24%，且转发次数相当或略高。
引用
@article{arxiv.2509.23913,
title = {Continual Learning to Generalize Forwarding Strategies for Diverse Mobile Wireless Networks},
author = {Cheonjin Park and Victoria Manfredi and Xiaolan Zhang and Chengyi Liu and Alicia P Wolfe and Dongjin Song and Sarah Tasneem and Bing Wang},
journal= {arXiv preprint arXiv:2509.23913},
year = {2025}
}
备注
11 pages