LightTune：轻量级前向仅在线微调及其在链路适配中的应用
网络与互联网体系结构
2026-05-22 v2
摘要
在移动手机上部署机器学习（ML）算法受限于动态真实环境下的性能下降，这些环境与离线训练条件不同。虽然持续学习和适应对于缓解这一分布性迁移至关重要，但常规在线学习方法往往在资源受限设备上计算负担沉重。本文提出 LightTune，一种轻量级、无反向传播的在线微调框架，并给出收敛性保证。LightTune 在性能跌破预设阈值时，才会利用实时测试数据对 ML 模型进行机会性优化，从而确保最小的计算开销和高度高效的响应。作为实际演示，我们将 LightTune 集成到 6G 移动系统的块误差率（BLER）预测算法中。该集成使 ML BLER 预测模型能够实时适应先前未遇见的信道条件。我们的实验结果表明，经历在线微调后，BLER 预测误差平均降低最高可达 48.8%。此外，我们利用该 BLER 预测算法进行链路自适应，实验结果显示，与常规基于表格的外部循环链路适应（OLLA）算法相比，平均吞吐量提升最高可达 15.5%。
引用
@article{arxiv.2604.12406,
title = {LightTune: Lightweight Forward-Only Online Fine-Tuning with Applications to Link Adaptation},
author = {Ramy E. Ali and Federico Penna},
journal= {arXiv preprint arXiv:2604.12406},
year = {2026}
}
备注
Extended version of "LightTune: Lightweight Online Fine-Tuning for 6G", IEEE ICC 2026