PEARL：基于设备端 LLM 的对等增强自适应无线
机器学习
2025-10-29 v2 人工智能
网络与互联网体系结构
信号处理
摘要
我们提出了 PEARL（Peer-Enhanced Adaptive Radio via On-Device LLM），一种面向设备间（D2D）通信的协作跨层优化框架。基于我们之前的单设备设备端 LLM 工作， PEARL 通过利用发布方和订阅方的状态来指导 Wi-Fi Aware（WA）参数选择。一种基于上下文感知的奖励函数，将延迟归一化为应用容忍度，并根据设备电池状态调制能源消耗，为 KL 基于微调提供更丰富的监督信号。我们研究了两种轻量级变体：PEARL（带头 + 低秩适应（LoRA））实现了最佳整体性能，而 PEARL-Lite（仅带头）在接近相同的目标分数下实现亚 20 ms 的推理。 在以真实测量为基础的合成场景中， PEARL 在启发式和紧凑模型基线之上提高了目标得分，在协作低电池情况下将能源消耗降低最高可达 16%。这些结果表明，对等感知上下文、奖励对齐训练和基于头的方法的高效性使 LLM 在始终在线、设备端跨层控制中具有实际应用价值。代码、真实世界演示和数据集均已在 https://github.com/abman23/pearl 上提供。
关键词
引用
@article{arxiv.2509.24085,
title = {PEARL: Peer-Enhanced Adaptive Radio via On-Device LLM},
author = {Ju-Hyung Lee and Yanqing Lu and Klaus Doppler},
journal= {arXiv preprint arXiv:2509.24085},
year = {2025}
}