面向AI-RANs的公平多任务学习
机器学习
2026-03-12 v2 网络与互联网体系结构
摘要
AI-enabled Radio Access Networks(AI-RANs)预计将服务于具有时变学习任务的异构用户，这些用户在共享边缘资源上运行。确保这些用户获得公平的推理性能需要自适应且公平的学习机制。本文引入一种 online-within-online 公平多任务学习(OWO-FMTL)框架，确保跨用户的长期公平性。该方法组合两个学习循环：一个在各轮之间更新共享模型，另一个在每个轮内通过轻量级原始-对偶更新在用户优先级之间进行平衡。通过 generalized alpha-fairness 对公平性进行量化，允许在效率和公平性之间进行权衡。该框架保证随时间减小性能差异，并具有低计算开销，适合边缘部署。在凸和深度学习任务上的实验表明，OWO-FMTL在动态场景下优于现有的多任务学习基线。
引用
@article{arxiv.2603.08717,
title = {Equitable Multi-Task Learning for AI-RANs},
author = {Panayiotis Raptis and Fatih Aslan and George Iosifidis},
journal= {arXiv preprint arXiv:2603.08717},
year = {2026}
}
备注
6 pages, 3 figures