.png){kind=icon}
返回
Temporal Intent-Aware Multi-agent Learning for Network Optimization
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-032-02018-5_3.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
近年来，移动通信网络在规模和复杂性上不断增长。为满足日益增长的流量需求，需要新的方法来替代传统的基于规则的控制器和网络管理系统。其中，基于学习的方法因其无需依赖专家知识即可发现控制策略而备受关注。意图网络（Intent-based networking）通过描述期望的网络行为而非具体配置，引入了新的抽象层次。然而，在时间约束下满足网络意图仍是一个开放性挑战。本文提出了一种强化学习方法，利用信号时序逻辑（STL）将网络意图定量转化为奖励信号。我们结合基于Transformer的神经网络架构来处理时间依赖性和多智能体协调。我们在高保真度电信模拟器中评估了该方法，结果表明其优于现有最优基线。实验显示，相比先前方法，该方法在满足时序依赖意图方面有所改进。
Keyword:
Reinforcement learning
Temporal logic
Network optimization
Intent-driven control
期刊
机构
引用论文
A Computationally Efficient Method for QoE-Driven Self-Planning of Antenna Tilts in a LTE Network.png)
IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏Forsberg, J. T., & Schultz, J.-H. (2023). Educational and psychosocial support for conflict-affected youths: The effectiveness of a school-based intervention targeting academic underachievement. International Journal of School & Educational Psychology, 1-22.Forsberg, J. T., & Schultz, J.-H. (2023)。针对冲突受影响青少年的教育及心理社会支持：一项旨在解决学业表现不佳的学校为基础干预措施的有效性。国际学校与教育心理学杂志，1-22。
IF0
PREAI
分享收藏
查看更多内容