A Comprehensive Survey of Knowledge-Driven Deep Learning for Intelligent Wireless Network Optimization in 6G
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The sixth generation (6G) wireless networks are envisioned to feature wide-area coverage, diversified full-scenario services, massive connections and dynamic heterogeneity, resulting in large-scale and complex network optimization problems. Traditional model-based methods, while effective in simple scenarios with precise mathematical models, struggle with high computational intensity and long processing times in the realistic and intricate applications of 6G. Pure data-driven deep learning (DL) methods offer powerful approximation capabilities and fast online inference but are hindered by insufficient datasets and poor interpretability. To address these issues, knowledge-driven DL integrates domain knowledge into neural networks, combining the strengths of both model-based and data-driven approaches. This survey systematically reviews knowledge-driven DL in wireless networks from a novel perspective of the knowledge integration approach. It provides a comprehensive definition of domain knowledge in wireless networks and clarifies the types of knowledge and their representations that can be integrated into neural networks. Furthermore, a leading taxonomy of knowledge integration approaches in wireless networks is proposed, encompassing the integration of domain knowledge into neural network model selection, neural network model customization, knowledge and data fusion architecture construction, loss function design, and hyperparameter configuration. Based on this taxonomy, literature on knowledge-driven resource allocation and signal processing is thoroughly reviewed. This survey aims to provide an insightful guideline for effectively incorporating domain knowledge into neural networks in the field of wireless communications, ultimately advancing efficient and reliable intelligent 6G networks.
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.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle