Notice bibliographique
Résumé
Neural networks have been widely utilized for wireless communication optimizations. In most of the literature, a dedicated neural network is trained for each specific optimization problem. However, under many scenarios, several distinct objectives are worth optimizing on the same wireless environment. Instead of exhaustively training a new model for every objective, it is more efficient to exploit the correlations between these objectives to train models with shared model parameters and feature representations. In the deep learning literature, transfer learning has been proposed to encourage knowledge transfer among models solving correlated problems. Unlike a majority of transfer learning applications where the high level features are relatively easy to locate in the neural networks, this paper considers wireless communication problems, in which it is much more difficult to identify high level features transferable to correlated tasks. To address this issue, this paper proposes to add an additional reconstruction loss when training the model. This new loss is for reconstructing the problem inputs starting from a selected neural network hidden layer. This approach encourages the features learnt to be general and descriptive about the inputs, instead of being solely responsible for minimizing the specific task-based loss. When a new objective is to be optimized, these features can be readily used for transfer learning. Simulation results in device-to-device wireless network power allocation optimization suggest that the proposed approach is highly efficient in data and model complexity, resilient to over-fitting, and supports competitive optimization performances.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,004 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».