AITP
精选全部 AI 动态AI 日报Agent 接入关于更新日志信源提报反馈
登录 / 注册
AITOP
精选
过去 24 小时,从 329 条中筛出 12 条
全部模型产品行业论文技巧
标签:OFDMA×
7月6日
12:01
AITOP7月6日 12:01
AI巨头瞄准'无利可图'疾病,颠覆传统制药逻辑AI巨头瞄准'无利可图'疾病,颠覆传统制药逻辑
6月11日
15:28
AITOP6月11日 15:28
1107 vs 303:谷歌悄悄开源了一个“拆打字机”的模型,把大模型速度翻了4倍
15:23
AITOP6月11日 15:23
DiffusionGemma颠覆文本生成?自回归模型的“统治”要结束了
15:07
AITOP6月11日 15:07
每秒1107个token,Google开源的扩散模型为什么能改变本地推理格局?
6月1日
00:09
AITOP6月1日 00:09
OpenAI 发起“Codex for Open Source”:免费赠送 6 个月 Pro 订阅,开源维护者能否迎来 AI 变革?
5月21日
11:29
11:29官方账号arXiv cs.AI@Amin Farajzadeh, Melike Erol-Kantarci
精选
针对6G超密集网络中同频干扰严重的问题,研究者提出了一种名为FedCritic的无服务器联邦多智能体演员-评论家框架,用于联合子载波调度和功率分配。该框架通过虚拟队列赤字权重强制执行长期服务质量约束,并利用基于干扰图的轻量级八卦参数平均来联邦化评论家网络,无需中央协调器即可实现稳定价值估计。仿真表明,在干扰密集的复用-1场景下,FedCritic相比非协调和集中式训练分散执行基线,显著提升了平均信干噪比、小区边缘速率、网络总速率和公平性,同时训练更稳定且协调开销更低。这项工作为6G分布式资源管理提供了一种高效、可扩展的解决方案。
论文6G资源分配联邦学习多智能体强化学习OFDMA

推荐理由:6G超密集组网中的干扰管理是业界难题,FedCritic用无服务器联邦学习解决了集中式训练的高开销问题,做无线资源调度和网络优化的研究者可以直接参考其轻量级协调方案。
原文
精选全部日报登录