基于高斯过程的数据驱动无线通信近期进展：综述
机器学习
2021-06-01 v3 系统与控制
系统与控制
摘要
数据驱动范式是未来无线通信众所周知且突出的需求。在大数据与机器学习的赋能下，下一代数据驱动通信系统将具备表达性、可扩展性、可解释性，尤其是不确定性建模等智能特征，可在可预见的未来自信地涵盖多样化潜在需求与个性化服务。本文综述了一类有前景的非参数贝叶斯机器学习方法，即高斯过程（GPs），及其在无线通信中的应用。由于 GPs 以不确定性实现表达性和可解释的学习能力，其特别适用于无线通信。此外，它提供了协作数据与经验模型（DEM）的自然框架。具体地，我们首先展望了使用 GPs 的数据驱动无线通信的三层动机。然后，我们从协方差结构与模型推断方面介绍 GPs 背景。综述了使用多种可解释核设计的 GP 模型表达性，即平稳、非平稳、深度与多任务核。进而，我们综述了具有良好可扩展性的分布式 GPs，适用于含大量分布式边缘设备的无线网络应用。最后，我们列举了在无线通信系统中采用 GPs 的代表性方案与有前景的技术。
引用
@article{arxiv.2103.10134,
title = {Recent Advances in Data-Driven Wireless Communication Using Gaussian Processes: A Comprehensive Survey},
author = {Kai Chen and Qinglei Kong and Yijue Dai and Yue Xu and Feng Yin and Lexi Xu and Shuguang Cui},
journal= {arXiv preprint arXiv:2103.10134},
year = {2021}
}