पत्र में ADORN पेश किया गया है, जो एक Q-learning-आधारित अनुकूली पुनर्प्रशिक्षण दृष्टिकोण है जिसे गतिशील ट्रैफिक परिवर्तनों और ओपन रेडियो एक्सेस नेटवर्क्स (O-RAN) में ड्रिफ्ट के कारण प्रदर्शन क्षय को कम करने के लिए डिज़ाइन किया गया है। पुनर्प्रशिक्षण निर्णय को एक मार्कोव निर्णय प्रक्रिया के रूप में परिभाषित करके, एक रीइंफोर्समेंट लर्निंग एजेंट एक नीति सीखता है जो पूर्वानुमान सटीकता और पुनर्प्रशिक्षण लागतों के बीच संतुलन बनाती है।
- सिस्टम कैटास्ट्रॉफिक फॉरगेटिंग को कम करने और विभिन्न ट्रैफिक स्थितियों में मजबूती को बेहतर बनाने के लिए एक बहु-विशेषज्ञ लंबी अल्पकालिक स्मृति (LSTM) एनसेंबल को शामिल करता है।
- प्रायोगिक परिणाम दिखाते हैं कि ADORN लालची और यादृच्छिक बेलाइनों की तुलना में पुनर्प्रशिक्षण ओवरहेड को प्रभावी ढंग से कम करता है, जबकि सिस्टम प्रदर्शन को पूर्वनिर्धारित सीमाओं के भीतर बनाए रखता है।
यह दृष्टिकोण O-RAN वातावरण में पारंपरिक पुनर्प्रशिक्षण विधियों से जुड़ी उच्च कंप्यूटेशनल लागतों और संभावित सर्विस लेवल एग्रीमेंट (SLA) उल्लंघनों को संबोधित करता है।