多任务学习作为通用AI原生RAN的赋能器

面向6G及更高网络设想的数据驱动型AI原生架构的实现，最终将导致多个机器学习（ML）工作负载分布在网络边缘，以驱动下游任务，如辅载波预测、定位、信道预测等。这些边缘分布的独立多工作负载共享一个资源受限的计算节点（例如基站（BS）），对其进行独立的生命周期管理是一项挑战，且该挑战将随部署密度的增加而加剧。本研究探讨了多任务学习（MTL）方法在促进通用AI原生无线接入网（RAN）方面的有效性。调查聚焦于四项RAN任务： 辅载波预测， 用户位置预测， 室内链路分类，以及 视距链路分类。我们使用考虑了MTL多方面设计因素（包括模型架构、损失与梯度平衡策略、分布式学习拓扑、数据稀疏性和任务分组）的真实仿真来验证性能。仿真得出的量化结果与见解表明，对于所考虑的四项RAN任务， 采用基于不确定性加权的定制门控专家架构，使MTL的表现要么在所有方法中最好，要么与单任务学习（STL）持平； MTL设置中的LoS分类任务有助于其他任务，但其自身性能下降； 对于稀疏训练数据，训练单一的全局MTL模型是有帮助的，但MTL的性能与STL持平； 每个任务都存在最优的分组配对集合； 在MTL设置中，部分联邦学习远优于全模型联邦学习。