다중 사용자 무선 네트워크에서의 자원 할당 문제를 다루며, 목표는 사용자들의 에르고딕 평균 성능에 대한 제약 조건 하에서 네트워크 전체 효용 함수를 최적화하는 것이다. 자원 할당 정책에 대한 상태 증강 그래프 신경망(GNN) 매개화가 네트워크 구성(또는 상태)을 그래프로 표현하고, 이중 변수를 그래프 위에 정의된 그래프 신호로 취급하여 모델의 동적 입력으로 보는 방식으로, 널리 쓰이는 이중 부그래디언트 방법의 단점을 어떻게 우회하는지 보여준다. 라그랑지안을 최대화하는 상태 증강 정책은 오프라인 학습 단계에서 학습되며, 추론 단계에서는 학습된 상태 증강 정책을 실행하면서 이중 변수가 그래디언트 업데이트를 통해 진화한다. 주요 기여는 이중 변수 회귀를 통해 보조 GNN 매개화를 활용하여 더 빠른 추론을 위한 이중 승수의 근최적 초기화를 어떻게 달성할 수 있는지, 그리고 이중 하강 역학에서 샘플링된 승수에 대해 라그랑지안을 최대화하는 것이 상태 증강 모델의 학습을 어떻게 크게 향상시키는지를 보여주는 것이다. 송신 전력 제어에 대한 사례 연구에서 광범위한 수치 실험을 통해 제안 알고리즘의 우수한 성능을 입증한다. 마지막으로, 이중 함수(반복) 최적성 간격의 이탈에 대한 수렴 결과와 지수적 확률 경계를 증명한다.
라디오 맵(RM) 추정은 희소 측정값으로부터 수신 신호 강도(RSS)와 같은 무선 신호 특성의 공간 분포를 재구성하는 것을 목표로 하며, 이는 현대 무선 네트워크에서 스펙트럼 관리, 간섭 완화, 위치 추정에 핵심적인 과제이다. 전통적인 접근법인 보간법과 심층 학습은 복잡한 전파 효과를 포착하기 어렵거나, 새로운 샘플링 패턴마다 대규모 재학습이 필요하여 일반화 능력이 제한된다. 최근에는 사전 기반 방법들이 사전학습된 생성 모델과 측정값을 결합하여 배포 시점 모델 미세조정의 필요성을 줄이고 있으나, 일반적으로 사전 분포(prior)를 단순한 정규화(regularizer)로 취급하며 명시적인 송신기 인식 통합이 부족하다. 본 논문에서는 배포 시점 미세조정 없이 희소 RSS 측정값과 고정된 사전학습 확산 사전 분포를 긴밀히 통합하는 새로운 RM 추정 프레임워크인 RadioTrace를 제안한다. RadioTrace는 송신기(Tx) 위치 추정을 디노이징 루프에 직접 통합하여, 재구성 품질에 기반해 Tx 좌표를 반복적으로 정제함으로써 생성 과정을 안내한다. 견고성을 더욱 향상시키기 위해, Tx 업데이트에서 불량한 국소 최솟값을 완화하고 기하학적으로 일관된 시작점을 제공하는 전파 유도 K-means 초기화를 도입한다. 또한 Tx 좌표 정제 구성 요소에 대한 확률적 안정성 분석을 제공하여, Tx 업데이트가 확산 샘플링과 Tx-맵 완화(relaxation)에 의해 유발되는 섭동 하에서도 안정적으로 유지됨을 보인다. 광범위한 실험을 통해 RadioTrace가 무작위 샘플링 하에서 최첨단 학습 기반 방법들과 경쟁력 있는 성능을 달성하고, 제한 구역 샘플링 하에서도 강력한 재구성 품질을 유지함을 보여주며, 이는 적응성, 견고성, 실용적 관련성을 강조한다.
대조적 예측 코딩(CPC)을 3GPP 규격 준수 CSI 압축 아키텍처에 통합한 통합 압축-예측 프레임워크를 제안하며, 고차원 CSI 행렬 대신 잠재 표현을 예측하고 1-SGCS와 InfoNCE 결합 목적 함수로 재구성 정확도와 시간적 예측 일관성을 공동 최적화한다. Nokia, Oppo, CATT의 3GPP 규격 데이터셋 평가에서 CPC-before-Compression은 기준선 대비 디코더 GFLOPs를 32배 낮추면서 90% 이상의 재구성 정확도를 달성하고, CPC-after-Compression은 동일한 인코더 풋프린트와 64비트 피드백 오버헤드를 유지한다.
Decentralized learning is a promising paradigm for collaborative training in mobile and pervasive systems, as it avoids a central coordinator and does not require sharing raw data. Yet, most analyses rely on idealized communication assumptions that break down in wireless settings, where connectivity is intermittent, topology changes due to mobility, and bandwidth is limited. We study decentralized averaging under client asynchrony, time-varying contact graphs, and technology-dependent throughput constraints. We implement a fully decentralized protocol that overlaps synchronization with local training and supports partial tensor-level transfers when contacts end early. Using Random Waypoint mobility and multiple wireless technologies (Bluetooth LE, LTE, and Wi-Fi), we quantify how network dynamics and link capacity impact convergence. We identify three operating regimes: (i) inter-contact time largely dictates convergence via mixing, (ii) partial updates are often well tolerated when contacts are frequent, and (iii) very dense contact patterns can trigger contention, reducing effective throughput. These findings provide a practical lens to reason about decentralized learning deployments over realistic wireless systems, highlighting when improving connectivity, increasing bandwidth, or mitigating contention is most impactful.
무선 접속망(RAN)에서 물리 자원 블록(PRB) 할당은 전통적으로 사례별 수동 문제 구성에 의존해 왔으며, 최근에는 학습 기반 인공지능(AI) 방법을 사용하기도 한다. 그러나 6세대(6G) RAN 환경은 전례 없는 서비스 다양성과 기하급수적 동역학에 직면하며, 활성 기지국(BS), 사용자 규모, 엄격한 서비스 품질(QoS) 요구사항의 변동성 있는 변화를 특징으로 한다. 이러한 조건에 직면했을 때, 수동 모델과 표준 AI 알고리즘 모두 근본적으로 경직되어 적응하고 자기 진화할 유연성이 부족하다. 만능 솔루션을 제공하기 위해, 우리는 PRB 할당 문제를 대규모 언어 모델 다중 에이전트(LLM-MA) 시스템이 제공하는 Optimization-as-a-Service(OaaS)로 취급할 것을 제안한다. 이는 에이전트를 활용해 최적화 문제를 동적으로 구성하고 실시간 시나리오에 맞춘 목표를 자동으로 결정함으로써 RAN 자원 할당을 근본적으로 재구성한다. 장면 이해, 목표 생성, 솔버, reflection 에이전트를 통합한 우리의 폐루프 아키텍처는 컨텍스트 인식적이고 자기 수정적인 공식화를 가능하게 한다. 반복적 reflection의 계산 지연을 제거하기 위해, 우리는 원샷 reflection 증류 메커니즘을 도입하여 경량 학생 모델이 정제된 목표 매개변수를 직접 예측하도록 학습한다. 우리는 이 원샷 정책의 성능 격차를 이론적으로 한정한다. 실험 결과는 우리 프레임워크가 초저지연 추론으로 거의 최적에 가까운 자원 할당을 달성함을 보여준다.
범용 시계열 파운데이션 모델은 신호가 버스트(bursty)하고 제로 인플레이티드(zero-inflated)이며 프로토콜 계층 간에 결합된 무선 네트워크 텔레메트리에는 전이 성능이 좋지 않습니다. 우리는 기업용 AP 텔레메트리 예측을 위한 네트워크 네이티브 디코더 전용(decoder-only) 트랜스포머인 APEX를 제안하고, 대표적인 네트워크 작업인 DHCP 성능 저하에 대해 평가합니다. APEX는 약 4,500개의 운영 중인 무선 네트워크(약 10만 개의 AP 시계열, AP당 34개 지표)에서 수집한 10채널 다변량 텔레메트리로 사전학습(pre-training)되었으며, APEX-Large(269M, 클라우드)와 APEX-Edge(10.5M, 에지)로 제공됩니다. 192단계(4일) DHCP 성능 저하 벤치마크(benchmark)에서 APEX-Large는 가장 강력한 파운데이션 모델 기준선(baseline)인 Toto보다 MAE를 18%, SARIMA보다 38% 감소시켰으며 이상 탐지 F1 점수는 0.93입니다. 반면 APEX-Edge는 AP급 에지 하드웨어에서 1초 미만의(sub-second) 프라이버시 보존 추론(inference)을 가능하게 합니다. 이러한 결과는 네트워크 네이티브 사전학습(pre-training)이 선제적인 무선 운영을 위한 실용적인 기반이 될 수 있음을 시사합니다.