用于动态无线环境中快速连续资源优化的元门控框架
信号处理
2023-06-26 v1
摘要
随着深度学习（DL）在图像分类、语音识别等领域的巨大成功，越来越多研究将各类神经网络（NNs）应用于无线资源分配。一般而言，这些人工智能（AI）模型在某些特殊学习假设下训练，尤其是训练阶段训练数据的统计特性是静态的。然而，真实世界无线通信环境中的信道状态信息（CSI）分布不断变化。因此，研究有效的动态 DL 技术以解决无线资源分配问题至关重要。本文中，我们提出一种名为元门控的新框架，用于求解 episodic 动态无线环境中的资源分配问题，其中 CSI 分布逐时段变化且各时段内保持不变。该框架由内网络与外网络组成，旨在通过实现无缝性、快速性与连续性三个重要目标来适应动态无线环境。具体而言，针对前两个目标，我们提出一种将模型无关元学习（MAML）算法与无监督学习机制相结合的训练方法。借助该训练方法，内网络因良好的初始化而能快速适应不同信道分布。至于连续性目标，外网络可学习评估内网络参数在不同 CSI 分布下的重要性，进而通过门控操作决定应激活内网络的哪个子集。此外，我们从理论上分析了所提元门控框架的性能。
引用
@article{arxiv.2306.13277,
title = {Meta-Gating Framework for Fast and Continuous Resource Optimization in Dynamic Wireless Environments},
author = {Qiushuo Hou and Mengyuan Lee and Guanding Yu and Yunlong Cai},
journal= {arXiv preprint arXiv:2306.13277},
year = {2023}
}
备注
accepted by IEEE TCOM