基础模型辅助的无线随机接入网络优化多智能体强化学习
Foundation Model-Aided Multi-Agent Reinforcement Learning for Wireless Random Access Network Optimization
精选理由
介绍基础模型助力多智能体强化学习优化无线随机接入网络，降低训练开销并提升收敛效率。
AI 摘要
arXiv:2610.07550v1 公告类型：new 摘要：随机接入（RA）是处理来自多个终端的不可预测数据流量最基础的媒体接入控制（MAC）层调度方案之一。尽管已有研究探索使用多智能体强化学习（MARL）优化基于RA的无线网络，但其依赖经验驱动的分布式策略学习，导致每项优化任务都需要付出巨大的训练开销，从而限制了其在实际应用中的可行性。在本文中，我们提出利用基础模型（FM）提升MARL在各种RA网络优化任务中的效率。具体而言，我们在基于共识的去中心化MARL架构中设计了一种FM辅助的演员-评论家算法，并在局部奖励交换和非线性价值函数近似条件下对其收敛性进行了分析，结果表明，与采用评论家模型交换和线性近似的传统MARL相比，我们的算法具有相同的收敛阶。数值结果表明，我们提出的基于FM的方法显著提升了MARL在RA网络优化中的速度。