Context-Aware Doubly-Robust Semi-Supervised Learning

要約

次世代通信システムにおける人工知能（AI）の広範な採用は、交通条件とネットワーク条件の不均一性によって挑戦されており、これは非常に文脈的なサイト固有のデータの使用を求めています。
有望な解決策は、実際のデータだけでなく、ネットワークデジタルツイン（NDT）によって生成された合成擬似データにも依存することです。
ただし、このアプローチの有効性は、NDTの精度にかかっています。これは、異なるコンテキストで大きく異なる場合があります。
この問題に対処するために、このペーパーでは、コンテキストに依存している新しいセミスパイブ化されたスキームである、コンテキストに依存している新しい半監視スキームであるコンテキストを介して、コンテキストを越えてNDTの忠実度に依存する新しい半監視スキームを紹介します。
CDRは、ダウンリンクビームフォーミングのタスクで評価され、以前の最先端のセミスパイブ化されたアプローチと比較して優れた性能を示しています。

要約(オリジナル)

The widespread adoption of artificial intelligence (AI) in next-generation communication systems is challenged by the heterogeneity of traffic and network conditions, which call for the use of highly contextual, site-specific, data. A promising solution is to rely not only on real-world data, but also on synthetic pseudo-data generated by a network digital twin (NDT). However, the effectiveness of this approach hinges on the accuracy of the NDT, which can vary widely across different contexts. To address this problem, this paper introduces context-aware doubly-robust (CDR) learning, a novel semi-supervised scheme that adapts its reliance on the pseudo-data to the different levels of fidelity of the NDT across contexts. CDR is evaluated on the task of downlink beamforming, showing superior performance compared to previous state-of-the-art semi-supervised approaches.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google