Domain Adaptation in Beam Management using Asymmetric Autoencoder and Transfer Learning
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
In 5G millimeter wave (mmWave) networks, beam management is crucial for establishing optimal transmitter-receiver beam pairs between the base station (gNB) and user equipment (UE) through sequential adjustment of azimuth and elevation angles and transmit power. Conventional approaches like exhaustive search increase exponentially with growing beam configurations, while predefined codebook-based beamforming vectors yield suboptimal solutions in dynamic networks. Although machine learning (ML) techniques offer potential solutions by learning efficient beam selection policies, the high-dimensional search space makes direct policy learning computationally intensive. Transfer learning (TL) can leverage knowledge from simpler network optimization tasks; however, dimensional mismatches between source and target domains present significant challenges. To address these dimensional mismatches, we present a novel domain adaptation (DA) framework that uses an asymmetric autoencoder combined with Maximum Mean Discrepancy (MMD) loss to align latent representations of source and target domains. This architecture achieves state space reconstruction accuracy exceeding 93% and latent space alignment with total loss below 0.01. Building on this framework, we introduce two transfer learning methods for beam management: a representation transfer learning with fine-tuning (RTLF) approach leveraging the pretrained encoder, and an adaptive source weight transfer (ASWTR) mechanism combining the encoder with selective source domain weight transfer. Compared to baseline training with DRL, both TL methods demonstrate minimum 16% faster convergence and 81% reduction in training episode steps. The proposed TL methods demonstrate comparable beam management performance to baseline DRL in throughput and energy efficiency, while maintaining optimal beam configurations and outperforming the non-DRL method by 50% in energy efficiency and 45% in throughput with 20 UEs.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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