Prompting 无线网络：基于强化学习的 In-Context 学习用于功率控制
信号处理
2025-06-10 v1
摘要
为了管理和优化不断演变的无线网络，现有基于机器学习（ML）的研究方法operate as black-box models，导致训练期间计算成本增加且决策缺乏透明性，这限制了其在无线网络中的实际应用。针对近期大语言模型（LLM）驱动的无线网络研究进展，本文提出ProWin框架，利用强化学习的In-Context学习设计特定任务的演示性Prompt，用于无线网络优化，无需专门模型训练或微调。具体的Prompt设计融入任务描述和表述，增强可解释性并消除对网络优化专业知识的需求。我们进一步提出一种强化学习的In-Context学习方案，将一组可建议示例纳入任务性Prompt，其中包含捕获历史环境状态和决策信息的示例，通过自适应选择来指导当前决策。在基站功率控制案例研究中评估显示，所提出的ProWin优于强化学习（RL）方法，凸显了下一代无线网络优化的潜力。
引用
@article{arxiv.2506.06526,
title = {Prompting Wireless Networks: Reinforced In-Context Learning for Power Control},
author = {Hao Zhou and Chengming Hu and Dun Yuan and Ye Yuan and Di Wu and Xue Liu and Jianzhong and Zhang},
journal= {arXiv preprint arXiv:2506.06526},
year = {2025}
}
备注
arXiv admin note: substantial text overlap with arXiv:2408.00214