弱监督网络建模

少量数据高精度

利用队列理论生成的弱标签，结合图神经网络与Transformer，用少量仿真数据实现与海量数据训练相当的预测精度。

Liu, Jiacheng · 唐飞龙 · Zhijian, Zheng · Hao, Liu · Hou, Xiaofeng · 陈龙 · 高明 · 俞嘉地 · 朱燕民

IEEE Journal on Selected Areas in Communications 2023

技术优势

省数据

通过队列理论生成的弱标签提供廉价的监督信号，只需少量仿真数据即可训练出精确模型，显著降低数据收集成本。

泛化更强

弱监督训练方法使模型学到的网络表征更具普适性，在未见过的网络场景下表现优于传统数据驱动模型。

应用场景

• 元宇宙网络优化：用少量仿真数据建立元宇宙网络性能模型，支撑资源优化。
• 网络资源分配：低数据成本建模，辅助网络资源分配决策。
• 毫米波网络建模：在毫米波网络建模中减少对海量仿真数据的依赖。
• 卫星网络建模：同样适用于卫星网络建模，降低仿真数据的获取成本。