خانواده ای از مدل های پایه سری زمانی باز برای شبکه دسترسی رادیویی

TL;DR

• مشاهده PDF HTML (تجربی) چکیده:.
• شبکه دسترسی رادیویی (RAN) در حال تبدیل شدن به یک زیرساخت قابل برنامه ریزی و تفکیک شده است.
• که به طور فزاینده ای برای بهینه سازی و کنترل حلقه بسته به الگوریتم های بومی هوش مصنوعی.

چه اتفاقی افتاد

مشاهده PDF HTML (تجربی) چکیده:. شبکه دسترسی رادیویی (RAN) در حال تبدیل شدن به یک زیرساخت قابل برنامه ریزی و تفکیک شده است.

که به طور فزاینده ای برای بهینه سازی و کنترل حلقه بسته به الگوریتم های بومی هوش مصنوعی. متکی است.

با این حال،. هوش RAN کنونی هنوز هم عمدتاً از مدل‌های ویژه کار متناسب با عملکردهای فردی ساخته شده است،.

که منجر به تکه تکه شدن مدل،. اشتراک دانش محدود در بین وظایف،.

تعمیم ضعیف و افزایش پیچیدگی سیستم می‌شود. برای رفع این محدودیت‌ها،.

TimeRAN را معرفی می‌کنیم،. یک چارچوب یادگیری چند وظیفه‌ای یکپارچه برای مدل‌سازی سری‌های زمانی در RAN.

TimeRAN از یک مدل پایه سری زمانی سبک وزن با سرهای مختص به کار کمی استفاده می کند. تا بازنمایی های قابل انتقالی را بیاموزد که می تواند به طور موثر در وظایف مختلف با نظارت.

محدود سازگار شود. برای فعال کردن پیش‌آموزش در مقیاس بزرگ،.

TimeRAN DataPile را به‌صورت منبع باز انتخاب کرده‌ایم بزرگترین مجموعه سری زمانی برای تجزیه و تحلیل RAN تا. به امروز،.

شامل بیش از 355K سری زمانی و 0.56B اندازه گیری در منابع مختلف تله متری،. لایه های پروتکل،.

و سناریوهای استقرار. ما TimeRAN را در مجموعه‌ای جامع از وظایف تجزیه و تحلیل RAN،.

از جمله تشخیص ناهنجاری،. طبقه‌بندی،.

پیش‌بینی،. و انتساب ارزیابی می‌کنیم و نشان می‌دهیم که عملکرد پیشرفته‌ای را با حداقل یا بدون تنظیم دقیق کار.

خاص به دست می‌آورد. در نهایت،.

ما TimeRAN را در یک بستر آزمایشی 5G ادغام می‌کنیم و نشان می‌دهیم که با نیازهای منابع محدود. در سناریوهای دنیای واقعی کارآمد عمل می‌کند.

موضوعات:. شبکه و معماری اینترنت (cs.NI)؛

یادگیری ماشینی (cs.LG) استناد به عنوان:. arXiv:.

2604.04271 [cs.NI] (یا arXiv:. 2604.04271v1 [cs.NI] برای این نسخه) https:.

//doi.org/10.48550/arXiv.2604.04271 DOI صادر شده توسط arXiv از طریق DataCite (در انتظار ثبت نام) تاریخچه ارسال از:. Ioannis Panitsas [مشاهده ایمیل] [v1] یکشنبه،.

5 آوریل 2026،. ساعت 21:.

24:. 04 UTC (7,.

056 KB).

چرا مهم است

اهمیت این خبر در این است که روی استفاده واقعی از AI و تصمیم‌گیری سازمانی اثر می‌گذارد.

منبع

لینک منبع اصلی در کارت و صفحه مقاله نمایش داده می‌شود.