面向新兴无线接入网络训练数据稀缺挑战：综述与框架
系统与控制
2023-04-26 v1 系统与控制
摘要
蜂窝网络的未来取决于基于人工智能（AI）的自动化，尤其针对无线接入网（RAN）的运行、优化与故障排查。为实现此类零接触自动化，文献中正提出大量基于 AI 的方案以建模和优化网络行为从而达成目标。然而，基于 AI 的自动化要可靠工作需海量训练数据，因此 AI 方案的成功受限于蜂窝网络研究界面临的根本挑战：训练数据稀缺。我们对应对该挑战的经典与新兴技术进行了广泛综述：首先界定 RAN 中常见数据类型及其已知用例，继而给出针对各类数据类型的训练数据稀缺应对技术分类综述，随后提出一个应对框架。该框架基于可用信息并组合插值、领域知识、生成对抗神经网络、迁移学习、自编码器、少样本学习、仿真器与试验台等技术；亦提出通过矩阵补全理论及利用不同网络参数与几何的域知识技术来丰富稀疏数据的新潜在方法，并概述了前沿仿真器与试验台以使读者了解用于真实数据获取的当前与新兴平台。该广泛综述结合所提框架可协助研究者与运营商为给定数据型选合适技术，克服 AI 赋能 RAN 自动化中的数据稀缺挑战。
引用
@article{arxiv.2304.12480,
title = {Towards Addressing Training Data Scarcity Challenge in Emerging Radio Access Networks: A Survey and Framework},
author = {Haneya Naeem Qureshi and Usama Masood and Marvin Manalastas and Syed Muhammad Asad Zaidi and Hasan Farooq and Julien Forgeat and Maxime Bouton and Shruti Bothe and Per Karlsson and Ali Rizwan and Ali Imran},
journal= {arXiv preprint arXiv:2304.12480},
year = {2023}
}
备注
IEEE Surveys and Tutorials - accepted