본 논문은 동적 트래픽 변동과 무선 액세스 네트워크(O-RAN)에서의 드리프트로 인한 성능 저하를 완화하기 위해 설계된 Q-학습 기반 적응형 재학습 접근법인 ADORN을 소개합니다. 재학습 결정을 마르코프 결정 과정으로 공식화함으로써, 강화 학습 에이전트는 예측 정확도와 재학습 비용 사이의 균형을 맞추는 정책을 학습합니다.

  • 시스템은 파국적 망각을 완화하고 다양한 트래픽 조건 전반에서 강건성을 향상시키기 위해 다중 전문가 Long Short-Term Memory (LSTM) 앙상블을 통합합니다.
  • 실험 결과는 ADORN이 탐욕 및 무작위 기준선과 비교하여 재학습 오버헤드를 효과적으로 줄이면서 시스템 성능을 사전 정의된 제한 내에 유지함을 보여줍니다.

이 접근법은 O-RAN 환경에서 기존 재학습 방법과 관련된 높은 계산 비용과 잠재적인 Service Level Agreement 위반 문제를 해결합니다.