.png){kind=icon}
返回
Collaborative Large–Small AI Models for 6G
.png){kind=icon}
OA
AI
DOI：10.1109/JSAC.2025.3643414.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
第六代（6G）网络需要智能且节能的运行。然而，将大型语言模型（LLMs）直接部署于实时6G控制中，因显著的延迟和能源限制而受阻，这与绿色6G的迫切需求相悖。本文首创了一种大-小AI模型协作架构以应对这些挑战。在该架构中，资源密集型LLMs（即大模型）被战略性地离线用于构建全面的无线数据知识图谱（WDKG），有效提取领域知识。该WDKG进而通过生成优化的特征数据集，支持开发部署轻量级、高效的轻模型以执行实时网络任务。为实现此目标，我们首先提出一种新颖的多智能体协作LLM框架，辅以增强的语义表示方法，该方法整合了领域自适应嵌入微调和基于互信息（MI）的特征编码，以实现高保真WDKG的自动化构建。随后，我们提出语义-数据与时空（SD-ST）模型，该模型独特地融合了LLM提取的语义信息与无线网络数据及WDKG结构的时空特性。SD-ST模型的洞察指导了一种WDKG驱动的优化特征数据集生成方法，该方法通过评估节点影响和冗余性。实验验证表明，这些提取的特征数据集显著降低了下游轻量级AI模型的训练和推理开销，为迈向更绿色、更高效、更智能的6G网络提供了切实可行的路径。
Keyword:
6G
large language model
wireless data knowledge graphs
graph embedding
feature datasets
期刊
IF:
17.2
论文数:
6.4K
被引数:
3.1W
机构
引用论文
分享收藏分享收藏Liang, L., Bo, Z., Gui, Z., Zhu, Z., Zhong, L., Zhao, P., Sun, M., Zhang, Z., Zhou, J., Chen, W., Zhang, W., Chen, H., 2025. KAG: boosting llms in professional domains via knowledge augmented generation, in: Long, G., Blumestein, M., Chang, Y., Lewin-Eytan, L., Huang, Z.H., Yom-Tov, E. (Eds.), Companion Proceedings of the ACM on Web Conference 2025, WWW 2025, Sydney, NSW, Australia, 28 April 2025 - 2 May 2025, ACM. pp. 334–343. https://doi.org/10.1145/3701716.3715240, 10.1145/3701716.3715240.梁, L., 波, Z., 桂, Z., 朱, Z., 钟, L., 赵, P., 孙, M., 张, Z., 周, J., 陈, W., 张, W., 陈, H., 2025. KAG: 通过知识增强生成提升专业领域的大语言模型, 见: Long, G., Blumestein, M., Chang, Y., Lewin-Eytan, L., Huang, Z.H., Yom-Tov, E. (编), ACM网络会议2025伴侣论文集, WWW 2025, 澳大利亚新南威尔士州悉尼, 2025年4月28日-5月2日, ACM, 第334-343页. https://doi.org/10.1145/3701716.3715240, 10.1145/3701716.3715240..png)
IF0
PREAI
分享收藏
查看更多内容