分布式学习遇见 6G：通信与计算视角
网络与互联网体系结构
2023-03-24 v1 机器学习
摘要
随着移动设备计算能力与存储容量随电信网络范式演进不断提升，探索分布式学习（DL）框架以实现下一代/6G 蜂窝网络中预期严苛关键性能指标（KPI）的研究兴趣激增。结合边缘计算，联邦学习（FL）已成为主流无线应用中首选的 DL 架构。本文概述了 DL 总体及基于 FL 的策略如何助力实现部分 6G 愿景，并在通信与计算约束间取得平衡。作为一个实际用例，我们将多智能体强化学习（MARL）应用于 FL 框架中的动态频谱接入（DSA）问题，并给出初步评估结果。同时强调了将 DL 方法应用于 6G 网络的当代主要挑战。
引用
@article{arxiv.2303.12802,
title = {Distributed Learning Meets 6G: A Communication and Computing Perspective},
author = {Shashank Jere and Yifei Song and Yang Yi and Lingjia Liu},
journal= {arXiv preprint arXiv:2303.12802},
year = {2023}
}
备注
This article has been accepted to IEEE Wireless Communications Magazine (WCM) under the Special Issue "AI-Powered Telco Network Automation: 5G Evolution and 6G"