تقدم الورقة البحثية ADORN، وهو نهج إعادة تدريب تكيفي قائم على Q-learning مصمم للتخفيف من تدهور الأداء الناتج عن التقلبات الديناميكية في حركة المرور والانحراف في شبكات الوصول اللاسلكي المفتوح (O-RAN). من خلال صياغة قرار إعادة التدريب كعملية قرار ماركوف، يتعلم وكيل التعلم المعزز سياسة توازن بين دقة التنبؤ وتكاليف إعادة التدريب.
- يدمج النظام مجموعة مستخدمين متعددين من الذاكرة طويلة وقصيرة المدى (LSTM) للتخفيف من النسيان الكارثي وتحسين المتانة عبر ظروف حركة مرور متنوعة.
- تُظهر النتائج التجريبية أن ADORN يقلل بشكل فعال من عبء إعادة التدريب مقارنة بالأسس الطمع والعشوائية مع الحفاظ على أداء النظام ضمن الحدود المحددة مسبقاً.
يعالج هذا النهج التكاليف الحسابية العالية والانتهاكات المحتملة لاتفاقية مستوى الخدمة (Service Level Agreement) المرتبطة بأساليب إعادة التدريب التقليدية في بيئات O-RAN.