.png){kind=icon}
返回
Robust Network Optimization by Deep Generative Models and Stochastic Optimization
.png){kind=icon}
PRE
AI
DOI：10.1109/TWC.2025.3551316.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
无线网络优化对于提升移动通信中的网络性能至关重要。然而，由于无线网络固有的随机性，基于分析模型和确定性优化的现有方案可靠性较低。为此，我们设计了一个基于深度生成模型和随机优化的鲁棒网络优化框架。受强大的扩散过程的启发，我们提出了一种深度生成模拟器来捕捉网络性能的统计分布。通过从深度生成模拟器中采样，可以缓解与网络性能相关的固有不确定性，并设计出一种新颖的基于期望-分位数的目标函数。内层期望用于时域统计，外层分位数用于空域统计。这种指定的双层目标函数能够缓解时域波动，并确保在大多数地理网格中达到满意的网络性能，从而实现鲁棒性。为解决此随机优化问题，我们利用分位函数的独特结构引入了一种平滑零阶方法。通过理论性能分析和基于真实数据集的仿真实验，我们证明了我们所提出方法相对于其他基线方案的优越性，突显了其在鲁棒网络优化中的实际应用价值。
Keyword:
Generative diffusion model
quantile function
robust approach
wireless network optimization
期刊
IF:
10.7
论文数:
1.3W
被引数:
5.3W
机构
引用论文
Rethinking Cellular System Coverage Optimization: A Perspective of Pseudometric Structure of Antenna Azimuth Variable Space重新考虑蜂窝系统覆盖优化: 天线方位角可变空间的伪测量结构
PREAI
分享收藏Optimizing Coverage and Capacity in Cellular Networks using Machine Learning.png)
ICASSP 2021 - 2021 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)
OAAI
ICASSP 2021 - 2021 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)IF0
OAAI分享收藏
查看更多内容