面向6G中的高效迁移学习
网络与互联网体系结构
2021-07-14 v1 机器学习
摘要
6G网络将极大扩展对面向数据、自主应用（用于OTT和网络用例）的支持。这些用例的成功将取决于大数据集的可用性，但由于系统高度动态的行为以及数据收集程序的成本，这在许多实际场景中并不现实。迁移学习（TL）是一种有前景的方法，可通过在多种学习算法间共享知识来应对这些挑战。借助TL，学习速率和学习精度可显著提升。然而，在6G中高效部署和利用TL存在实现挑战。在本文中，我们通过提供一些衡量TL性能的指标来发起此讨论。然后，我们展示6G的基础设施、应用、管理和训练平面如何调整以处理TL。我们给出6G中TL的示例，并强调6G中数据的时空特征可促成高效TL。通过仿真结果，我们展示了在两个用例间传输量化神经网络权重如何在开销与性能间取得权衡，并在6G中实现更高效的TL。我们还提供了6G中TL的未来研究方向列表。
引用
@article{arxiv.2107.05728,
title = {Toward Efficient Transfer Learning in 6G},
author = {Saeedeh Parsaeefard and Alberto Leon-Garcia},
journal= {arXiv preprint arXiv:2107.05728},
year = {2021}
}