FedCritic：面向 6G 多小区 OFDMA 的无服务器化联邦 Critic 学习资源分配
机器学习
2026-05-21 v1 人工智能
计算机视觉与模式识别
网络与互联网体系结构
摘要
在六代 (6G) 超稠密网络中，激进的频率复用放大了细胞间干扰 (ICI)，使得多小区正交频分复用 (OFDMA) 调度和功率控制强烈耦合。我们研究了分布式下行资源管理——在干扰耦合和长期每个用户质量服务 (QoS) 最低速率约束下进行的联合子载体调度和功率分配。通过使用虚拟队列缺失权重来实现长期 QoS，我们开发了 FedCritic——一个无服务器化联邦多智能体 actor-critic 框架，支持分布式执行。不同于需要集中 critic 学习和联合轨迹聚合的集中式训练 with 分布式执行 (CTDE) 方法，FedCritic 通过轻量级 gossip-based 参数在干扰图上进行联邦 critic，实现无中心协调器即可获得稳定的价值估计，同时保持策略局部。在干扰丰富的 reuse-1 设定下的仿真结果表明，FedCritic 在均信噪比 (SINR) 和细胞边缘速率、网络-wide 平均总速率和公平性方面均优于非协调和 CTDE baseline，同时实现更稳定的训练并降低协调开销。
关键词
引用
@article{arxiv.2605.21418,
title = {FedCritic: Serverless Federated Critic Learning-based Resource Allocation for Multi-Cell OFDMA in 6G},
author = {Amin Farajzadeh and Melike Erol-Kantarci},
journal= {arXiv preprint arXiv:2605.21418},
year = {2026}
}
备注
Submitted to IEEE for possible publication