.png){kind=icon}
返回
Large Language Model-Enabled Reinforcement Learning for Wireless Network Optimization
.png){kind=icon}
PRE
AI
DOI：10.1109/MCOM.001.2500384.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
增强未来无线网络对网络系统构成了重大挑战，这源于多样化的用户需求以及6G技术的兴起。尽管强化学习（RL）是一种强大的框架，但它通常在处理高维状态空间和复杂环境时遇到困难，导致巨大的计算需求、分布式智能以及可能不一致的结果。大型语言模型（LLMs）凭借其广泛的预训练知识和先进的推理能力，为通过强化学习优化6G无线网络提供了有前景的工具。我们探索了由LLMs增强的RL模型，强调它们的作用以及协同作用在无线网络优化中的潜在优势。随后，我们考察了在各个协议层（物理层、数据链路层、网络层、传输层和应用层）中启用LLMs的RL。此外，我们提出了一种LLM辅助的状态表示和语义提取方法，以增强多智能体强化学习（MARL）框架。该方法应用于服务迁移、请求路由，以及无人机（UAV）-卫星网络中的拓扑图生成。通过案例研究，我们证明该框架能够有效执行无线网络优化。最后，我们概述了LLM启用的RL在无线网络优化中的未来研究方向。
Keyword:
Wireless networks
Optimization
6G mobile communication
Feature extraction
Reinforcement learning
Vehicle dynamics
Large language models
Cognition
Adaptation models
Visualization
期刊
IF:
8.2
论文数:
6.9K
被引数:
2.2W
机构
引用论文
Communication and Control Co-Design in 6G: Sequential Decision-Making With LLMs6G中的通信与控制协同设计：基于大语言模型的序贯决策制定.png)
IEEE Network
OAAI
IEEE NetworkIF6.3
OAAI分享收藏Single and Multi-Agent Deep Reinforcement Learning for AI-Enabled Wireless Networks: A Tutorial支持AI的无线网络的单代理和多代理深度强化学习: 教程
OAAI
OAAI分享收藏Survey on Large Language Model-Enhanced Reinforcement Learning: Concept, Taxonomy, and Methods大语言模型强化学习综述: 概念、分类与方法OAAI
OAAI分享收藏
查看更多内容