L'article présente ADORN, une approche de réentraînement adaptatif basée sur Q-learning conçue pour atténuer la dégradation des performances causée par les variations dynamiques du trafic et la dérive dans les réseaux d'accès radio ouverts (O-RAN). En formulant la décision de réentraînement comme un processus de décision markovien, un agent d'apprentissage par renforcement apprend une politique qui équilibre la précision de la prévision avec les coûts de réentraînement.
- Le système intègre un ensemble multi-experts Long Short-Term Memory (LSTM) pour atténuer l'oubli catastrophique et améliorer la robustesse dans diverses conditions de trafic.
- Les résultats expérimentaux démontrent qu'ADORN réduit efficacement le surcoût de réentraînement par rapport aux stratégies gloutonnes et aléatoires tout en maintenant les performances du système dans des limites prédéfinies.
Cette approche traite les coûts de calcul élevés et les violations potentielles des accords de niveau de service (Service Level Agreement) associés aux méthodes de réentraînement traditionnelles dans les environnements O-RAN.