摘要:5G/5G-Advanced在持续提升关键性能指标方面被寄予厚望,需要在时延、可靠性、连接数密度与用户体验等方面实现进一步突破。传统以人工操作为主的管理模式在效率、准确性与成本等方面的局限日益凸显。相较于传统优化方法,人工智能技术凭借其预测性与前瞻性,推动网络管理由被动应对转向主动感知与自优化,实现从“监测-响应”到“预判-编排”的迁移。基于3GPP在无线电接入网(radio access network,RAN)智能化方向的关键技术与标准化路径,结合典型用例场景,分析了AI/ML模型管理、数据采集与交互机制。面向6G智能RAN,进一步提出“意图驱动的协作任务”这一新型架构理念,其关键是通过RAN对应用层信息的感知、任务级别的服务质量(quality of service,QoS)监控、动态组和资源管理等技术实现6G网络人机及碳硅生态系统的无缝交互。
摘要:个性化联邦学习因其在应对数据异质性和隐私保护方面的优势而备受关注。现有算法专注于平衡全局信息和个性化信息之间的矛盾,忽视了全局信息中的不同标签信息带来的干扰,尤其在维护单一全局头部的算法中,容易出现标签间特征冲突导致的收敛困难。为此,提出一种新的算法——全局多头部联邦学习(federated learning with global multi-head,FedGMH)算法,该算法在服务器创建多个全局头部,每个头部专门处理一种标签信息,而客户端下载与本地标签相关的全局头部,从而避免无关标签信息的干扰。此外,FedGMH引入参数级聚合机制:评估头部参数重要性,并将关键参数更新为全局多头部的加权参数,以加快收敛速度并且提高准确率。在3个视觉数据集上的大量实验表明,FedGMH优于现有的先进算法。
摘要:城域网作为移动回传网络、专线、人工智能(artificial intelligence,AI)智算中心、泛在算力连接等重要业务的基础设施,是全球传输技术领域的研究热点与产业竞争焦点。随着新业务从信息消费向产业应用拓展,在网络切片有望成为信息通信服务提供的新模式背景下,全面阐述了多维融合转发的核心理念、“以太网内生时分复用(time division multiplexing,TDM)”的核心转发机制、切片分组网(slicing packet network,SPN)的系统架构和技术体系。当前,SPN已实现规模应用部署,并形成系列国际标准,成为ITU-T继同步数字体系(synchronous digital hierarchy,SDH)、光传送网(optical transport network,OTN)之后的新一代传输网技术体系。