基于小样本集的鲁棒小区负载学习
信息论
2021-03-23 v1 机器学习
math.IT
摘要
无线接入网（RAN）中的小区负载学习必须在短时间内完成。因此，我们提出一种对学习框架，其对因需基于较小训练样本集进行学习而产生的不确定性具有鲁棒性。为此，我们将关于小区负载的先验知识纳入学习框架。例如，小区负载的一个固有特性是其在下行（数据）速率上具有单调性。为获取额外先验知识，我们首先研究可行速率区域，即网络可支持的所有用户速率向量组成的集合。我们证明可行速率区域是紧致的。此外，我们证明存在一个 Lipschitz 函数将可行速率向量映射到小区负载向量。基于这些结果，我们提出一种学习技术，通过利用先验知识和小训练样本集，在最坏情形下保证最小近似误差。在网络模拟器 NS3 中的仿真表明，所提方法比标准多元学习技术具有更好的鲁棒性和精度，尤其在训练样本集较小时。
引用
@article{arxiv.2103.11467,
title = {Robust Cell-Load Learning with a Small Sample Set},
author = {Daniyal Amir Awan and Renato L. G. Cavalcante and Slawomir Stanczak},
journal= {arXiv preprint arXiv:2103.11467},
year = {2021}
}
备注
Published in IEEE Transactions on Signal Processing ( Volume: 68)