面向6G网络中超可靠低时延通信的深度学习
信号处理
2020-02-26 v1 机器学习
网络与互联网体系结构
机器学习
摘要
在未来的第六代网络中，超可靠低时延通信（URLLC）将为对端到端时延和可靠性有严苛要求的新型关键任务应用奠定基础。现有关于 URLLC 的工作主要基于理论模型与假设。基于模型的解决方案提供了有益的见解，但无法直接在实践中实施。在本文中，我们首先总结了如何将数据驱动的监督深度学习和深度强化学习应用于 URLLC，并讨论了这些方法的一些开放问题。为解决这些开放问题，我们开发了一种多层架构，为 URLLC 赋能设备智能、边缘智能与云智能。其基本思想是在分析时延与可靠性以及训练深度神经网络（DNNs）时融合理论模型与真实世界数据。该架构采用深度迁移学习在非平稳网络中对预训练的 DNNs 进行微调。进一步考虑到每个用户与每个移动边缘计算服务器的计算能力有限，应用联邦学习以提升学习效率。最后，我们给出了一些实验与仿真结果，并讨论了若干未来方向。
引用
@article{arxiv.2002.11045,
title = {Deep Learning for Ultra-Reliable and Low-Latency Communications in 6G Networks},
author = {Changyang She and Rui Dong and Zhouyou Gu and Zhanwei Hou and Yonghui Li and Wibowo Hardjawana and Chenyang Yang and Lingyang Song and Branka Vucetic},
journal= {arXiv preprint arXiv:2002.11045},
year = {2020}
}
备注
The manuscript contains 4 figures 2 tables. It has been submitted to IEEE Network (in the second round of revision)