学习的代价：面向 6G 的基于学习的无线资源管理之效率与效能
网络与互联网体系结构
2022-12-01 v1 人工智能
分布式、并行与集群计算
摘要
过去几年中，深度强化学习（DRL）已成为在复杂网络中自动学习高效资源管理策略的重要解决方案。在许多场景下，学习任务在云端执行，而经验样本由边缘节点或用户直接生成。因此，学习任务涉及一些数据交换，这反过来从系统中占用了一定数量的传输资源。这在以下两者间产生了摩擦：一方面需要加快向有效策略的收敛，这要求分配资源来传输学习样本；另一方面需要最大化用于数据面通信的资源量以最大化用户服务质量（QoS），这要求学习过程高效，即最小化其开销。本文研究了这一权衡，并提出了一种学习面与数据面之间的动态平衡策略，使集中式学习智能体能够快速收敛到高效的资源分配策略，同时将对 QoS 的影响降至最低。仿真结果表明，所提方法优于静态分配方法，长期来看收敛到最优策略（即学习面最大效能与最小开销）。
引用
@article{arxiv.2211.16915,
title = {The Cost of Learning: Efficiency vs. Efficacy of Learning-Based RRM for 6G},
author = {Seyyidahmed Lahmer and Federico Chiariotti and Andrea Zanella},
journal= {arXiv preprint arXiv:2211.16915},
year = {2022}
}