离线与分布强化学习在无线通信中的应用
机器学习
2025-04-08 v1 多智能体系统
网络与互联网体系结构
摘要
6G网络中异构和大规模无线连接的快速增长需要智能解决方案来确保可扩展性、可靠性、隐私、超低延迟和有效控制。尽管人工智能和机器学习在该领域已展现出潜力，但传统的在线强化学习和深度强化学习方法在实时无线网络中面临局限性。例如，这些方法依赖于与环境的在线交互，这可能不可行、成本高昂或不安全。此外，它们无法处理实时无线应用中固有的不确定性。我们聚焦于离线强化学习和分布强化学习，这两种先进的强化学习技术可以通过在静态数据集上训练并考虑网络不确定性来克服这些挑战。我们提出了一种新颖的框架，将离线强化学习和分布强化学习结合用于无线通信应用。通过无人机轨迹优化和无线电资源管理的案例研究，我们证明了所提出的保守分位数回归算法在收敛速度和风险管理方面优于传统的强化学习方法。最后，我们讨论了在6G网络中应用这些技术的开放挑战和潜在未来方向，为更安全、更高效的实时无线系统铺平了道路。
引用
@article{arxiv.2504.03804,
title = {Offline and Distributional Reinforcement Learning for Wireless Communications},
author = {Eslam Eldeeb and Hirley Alves},
journal= {arXiv preprint arXiv:2504.03804},
year = {2025}
}