面向分布式功率控制的团队深度混合专家模型
信息论
2020-07-29 v1 机器学习
math.IT
摘要
在无线网络背景下，最近研究表明，多个DNN可联合训练以提供所需的协作行为，能够应对广泛的感知不确定性。具体而言，已证实DNN可用于推导对各智能体(如发射机)用以决策的局部信息(如无线网络中的CSI)所受信息噪声统计具有鲁棒性的策略。尽管前景可期，此类方法实现中的一大挑战在于：信息噪声统计可能因智能体而异，更重要的是，此类统计在训练时可能不可用或随时间演化，从而必须进行繁重的重新训练。这种情况使得设计一种“通用”机器学习模型成为必要，该模型可一次性训练完毕，从而在任何未来的反馈噪声环境中实现去中心化协作。为此，我们提出了一种受知名混合专家(MoE)模型启发的架构，该模型此前已用于计算机视觉和语音识别等多种场景中的非线性回归与分类任务。我们考虑去中心化功率控制问题作为示例，以展示所提模型的有效性，并将其与其他功率控制算法进行比较。我们展示了所谓Team-DMoE模型高效跟踪时变统计场景的能力。
引用
@article{arxiv.2007.14147,
title = {Team Deep Mixture of Experts for Distributed Power Control},
author = {Matteo Zecchin and David Gesbert and Marios Kountouris},
journal= {arXiv preprint arXiv:2007.14147},
year = {2020}
}