通过生成对抗网络在下一代网络中进行机器学习
机器学习
2025-05-15 v1
摘要
生成对抗网络（GANs）是机器学习（ML）算法，能够解决竞争性资源分配问题以及异常行为的检测与缓解。在本文中，我们在认知网络背景下研究其在下一代（NextG）通信中的使用，以解决 i) 频谱共享，ii) 异常检测，以及 iii) 缓解安全攻击。GANs 具有以下优势。首先，它们可以学习和合成现场数据，而这些数据可能成本高、耗时且不可重复。其次，它们通过使用半监督数据实现分类器的预训练。第三，它们有助于提高分辨率。第四，它们能够恢复频谱中损坏的比特。本文提供了 GANs 基础、不同种类 GANs 的比较讨论、计算机视觉与图像处理以及无线应用中 GANs 的性能度量、若干无线应用数据集、通用分类器性能度量、针对上述 i)-iii) 的 GANs 文献综述，以及未来研究方向。作为 GAN 用于 NextG 通信的用例，我们展示了 GAN 可有效应用于信号分类（例如用户认证）中的异常检测，优于另一种最先进 ML 技术如自动编码器。
引用
@article{arxiv.2203.04453,
title = {Machine Learning in NextG Networks via Generative Adversarial Networks},
author = {Ender Ayanoglu and Kemal Davaslioglu and Yalin E. Sagduyu},
journal= {arXiv preprint arXiv:2203.04453},
year = {2025}
}
备注
47 pages, 7 figures, 12 tables