面向异构无线网络中通用多接入的混合专家元强化学习
信息论
2024-12-06 v1 网络与互联网体系结构
math.IT
摘要
本文聚焦于异构无线网络中的频谱共享问题，其中具有不同媒体访问控制(MAC)协议的节点需通过共享无线信道将数据包传输至 common access point。虽然前期研究提出了针对特定场景的基于深度强化学习(DRL)的多接入协议，但这些方法受限于其无法在多样化环境中泛化，常需耗时的重新训练。为此，我们引入通用多接入(GMA)，一种新的基于元强化学习(meta-RL)的MAC协议，旨在实现对异构网络环境的快速适应。GMA 利用基于上下文的元强化学习方法结合混合专家(MoE)来提高表征学习，增强对潜在信息的提取。通过学习元策略，GMA 使能够快速适应不同且先前未知的环境，而无需了解具体使用的MAC协议。仿真结果表明，尽管GMA协议在训练环境中较基线方法略有性能下降，但在新的、不可见环境中实现更快的收敛和更高的性能。
引用
@article{arxiv.2412.03850,
title = {Meta-Reinforcement Learning With Mixture of Experts for Generalizable Multi Access in Heterogeneous Wireless Networks},
author = {Zhaoyang Liu and Xijun Wang and Chenyuan Feng and Xinghua Sun and Wen Zhan and Xiang Chen},
journal= {arXiv preprint arXiv:2412.03850},
year = {2024}
}
备注
13 pages, 12 figures, 1 table. This work has been submitted to the IEEE for possible publication