面向 6G 无线网络大规模优化的机器学习
信号处理
2023-01-10 v1 机器学习
网络与互联网体系结构
摘要
第六代（6G）无线系统被设想为实现从“连接物”到“连接智能”的范式转变，其特征是超高密度、大规模、动态异构、多样化功能需求以及机器学习能力，这导致对高效智能算法的需求日益增长。经典的基于优化的算法通常需要高度精确的数据链路数学模型，且在真实 6G 应用中性能不佳、计算成本高。基于领域知识（如优化模型和理论工具），机器学习（ML）因其在性能、泛化性、计算效率和鲁棒性方面的优势，成为 6G 中许多复杂大规模优化问题的一种有前景且可行的方法。在本文中，我们通过识别底层优化问题的内在特征并从优化视角研究专门设计的 ML 框架，系统综述了 6G 无线网络不同领域中最具代表性的“学习以优化”技术。具体而言，我们将涵盖算法展开、学习分支定界、用于结构化优化的图神经网络、用于随机优化的深度强化学习、用于语义优化的端到端学习，以及用于分布式优化的联邦学习，以求解源于各种重要无线应用的具挑战性的大规模优化问题。通过深入讨论，我们揭示了基于 ML 的优化算法相对于经典方法的优异性能，并为开发 6G 网络中的先进 ML 技术提供有见地的指导。
引用
@article{arxiv.2301.03377,
title = {Machine Learning for Large-Scale Optimization in 6G Wireless Networks},
author = {Yandong Shi and Lixiang Lian and Yuanming Shi and Zixin Wang and Yong Zhou and Liqun Fu and Lin Bai and Jun Zhang and Wei Zhang},
journal= {arXiv preprint arXiv:2301.03377},
year = {2023}
}