面向无线网络的异构资源分配与多任务学习

优化问题的最优解取决于目标函数、约束条件以及问题规模。虽然深度神经网络（DNN）在求解优化问题方面已证明有效，但问题规模、目标或约束的变化常需调整 DNN 架构以维持有效性，甚至需从头重新训练新的 DNN。鉴于无线网络的动态特性，这些网络涉及多个且多样化的目标，这些目标可能具有相互冲突的要求和约束，我们提出一种多任务学习（MTL）框架，使单个 DNN 能够联合解决一系列多样化的优化问题。在该框架中，规模、目标和约束各不相同的优化问题被视为不同的任务。为联合解决这些任务，我们提出一种基于条件计算的 MTL 方法并引入路由机制。多任务 DNN 由两个组件组成：base DNN（bDNN），用于提取所有考虑的优化问题的解；以及 routing DNN（rDNN），用于管理在每个任务的前向传播期间使用 bDNN 的哪些节点和层。rDNN 的输出是与 bDNN 所有权重相乘的二进制向量，在前向传播期间为每个任务在 bDNN 中创建独特的计算路径。这种设置允许任务之间共享参数或使用独立参数，决策由 rDNN 控制。该框架支持监督和无监督学习场景。数值结果表明，所提出的 MTL 方法在解决多样化优化问题方面的效率，而缺乏 rDNN 机制的基准 DNN 无法实现类似的性能，凸显了该架构的有效性。