蜂窝网络配置中基于核的多任务上下文_bandit
机器学习
2019-05-29 v2 网络与互联网体系结构
信号处理
机器学习
摘要
蜂窝网络配置对网络性能起着关键作用。在当前实践中，网络配置严重依赖工程师的现场经验，且常长期保持静态。这种做法远非最优。为克服此局限，基于在线学习的方法在自动化和优化网络配置方面具有巨大潜力。基于学习的方法面临为每个基站学习高度复杂函数，以及在最小化探索成本的同时平衡基本的探索-利用权衡的挑战。幸运的是，在蜂窝网络中，基站（BS）即使不完全相同也常具有相似性。为利用此类相似性，我们提出基于多任务学习的核化多基站上下文_bandit 算法。该算法中，我们利用由条件核嵌入定义的不同基站间的相似性。我们从 regret 和多任务学习效率角度对 proposed 算法进行理论分析。我们基于真实轨迹构建的模拟器评估了算法的有效性。
引用
@article{arxiv.1811.10902,
title = {Kernel-based Multi-Task Contextual Bandits in Cellular Network Configuration},
author = {Xiaoxiao Wang and Xueying Guo and Jie Chuai and Zhitang Chen and Xin Liu},
journal= {arXiv preprint arXiv:1811.10902},
year = {2019}
}