Utilization of machine learning in future wireless networks for resource optimization: A survey
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
Future wireless networks will play an essential role as the need for performance and feature availability grows. Most of the traffic in future wireless networks is due to increased Internet of things (IoT) devices, making resource optimization critical. Traditional optimization algorithms have limitations due to their high computational complexity, which restricts their use in modern applications. To address this, machine learning algorithms are now the preferred alternative to traditional optimization algorithms due to their improved runtime complexity. We present a comprehensive survey on the use of machine learning for resource optimization in future wireless networks. The use of machine learning is divided into three categories: (i) comprehensive solutions, where machine learning is the primary component of the solution approach; (ii) partial solutions, where machine learning is used alongside a traditional approach for optimization; and (iii) environment-only solutions, where optimization is performed in a machine-learning environment. We have further classified objective functions (e.g., energy, latency, data rate, etc.) within each category based on the pure objective function, variations on the objective function, and objective function tradeoffs with respect to other objective functions. We present objective functions and constraints used in the literature for optimization problem formulation. We provide an overview of frequently used machine learning algorithms for resource optimization, followed by a detailed survey of machine learning works in the literature in the three aforementioned categories. Finally, we discuss future research directions for utilizing machine learning to optimize resource management in future wireless 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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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