面向无线网络的生成式 AI 与强化学习的 MoE 体系: 综合综述
网络与互联网体系结构
2026-01-29 v2 信号处理
摘要
Mixture of Experts (MoE) 作为在保持计算效率的同时扩展模型容量的有前景的范式，尤其在大型机器学习架构（如大型语言模型 LLM）中得到广泛应用。近期进展使 MoE 能够被采纳于无线网络中，以应对现代通信系统日益增长的复杂性和异构性。本文提出了 MoE 在无线网络中的综合性综述，突出其在优化资源效率、提升可扩展性和跨越多样网络任务适应性方面的潜力。首先我们介绍 MoE 的基本概念，包括各种门控机制以及与生成式 AI (GenAI) 和强化学习 (RL) 的集成。随后讨论 MoE 在关键无线通信场景中的广泛应用，如车联网、无人机、卫星通信、异构网络、集成感知与通信 (ISAC) 以及移动边缘网络。此外，深入考察了在信道预测、物理层信号处理、无线资源管理、网络优化和安全等关键应用中的 MoE。此外，我们提供了概述，涵盖广泛用于支持 MoE 基于模型的多样化机器学习任务的开源数据集。最后，本综述确定了 MoE 的关键未来研究方向，强调先进训练技术、资源感知门控策略以及与新兴 6G 技术深度集成的重要性。
引用
@article{arxiv.2504.19660,
title = {Mixture of Experts for Decentralized Generative AI and Reinforcement Learning in Wireless Networks: A Comprehensive Survey},
author = {Yunting Xu and Jiacheng Wang and Ruichen Zhang and Changyuan Zhao and Dusit Niyato and Jiawen Kang and Zehui Xiong and Bo Qian and Haibo Zhou and Shiwen Mao and Abbas Jamalipour and Xuemin Shen and Dong In Kim},
journal= {arXiv preprint arXiv:2504.19660},
year = {2026}
}
备注
Survey paper, 33 pages, 13 figures