AutoML e Deep Unfolding ottimizzano il beamforming wireless
Una recente iniziativa di ricerca ha integrato con successo tecniche di machine learning automatizzato (AutoML) con strategie avanzate di deep unfolding per migliorare i processi di comunicazione wireless, in particolare il beamforming e l'ottimizzazione delle forme d'onda. Utilizzando un algoritmo di discesa del gradiente prossimale (PGD) modificato, lo studio lo ha riformulato in una rete neurale profonda per facilitare l'apprendimento dei parametri a diversi livelli. Questo approccio è stato arricchito da un layer ibrido che consente una trasformazione lineare del gradiente addestrabile prima della fase di proiezione prossimale. Il nuovo modello auto-unrolled PGD raggiunge un impressionante 98,8% dell'efficienza spettrale dei metodi PGD tradizionali a 200 iterazioni con soli cinque layer unrolled. Per maggiori dettagli, fare riferimento all'identificatore arXiv 2603.17478.
Fatti principali
- Combina AutoML con deep unfolding basato su modelli
- Converte il PGD iterativo in una rete neurale profonda
- Layer ibrido con trasformazione lineare del gradiente apprendibile
- Utilizza AutoGluon e TPE per l'ottimizzazione degli iperparametri
- Lo spazio di ricerca include profondità della rete, passo, ottimizzatore, scheduler, tipo di layer, attivazione
- Auto-PGD raggiunge il 98,8% dell'efficienza spettrale del PGD a 200 iterazioni
- Solo cinque layer unrolled utilizzati
- Pubblicato su arXiv:2603.17478
Entità
Istituzioni
- arXiv