基于元强化学习的动态信道接入
网络与互联网体系结构
2022-01-25 v1 机器学习
系统与控制
系统与控制
摘要
在本文中，我们通过元强化学习解决动态无线环境中的信道接入问题。频谱是无线通信中的稀缺资源，尤其随着网络中设备数量的急剧增加。近来，受深度强化学习（DRL）成功的启发，大量研究通过 DRL 解决无线资源分配问题。然而，训练 DRL 算法通常需要从环境中为每个特定任务收集海量数据，且若环境有微小变化，训练良好的模型可能失效。在这项工作中，为应对这些挑战，我们提出一种融合模型无关元学习（MAML）方法的元-DRL 框架。在所提框架中，我们为相似的信道选择任务训练一个公共初始化。从该初始化出发，我们表明仅需少量梯度下降即可适配自同一分布抽出的不同任务。我们通过仿真结果展示了性能提升。
引用
@article{arxiv.2201.09075,
title = {Dynamic Channel Access via Meta-Reinforcement Learning},
author = {Ziyang Lu and M. Cenk Gursoy},
journal= {arXiv preprint arXiv:2201.09075},
year = {2022}
}