ADORN 使用强化学习自适应处理 Open RAN AI/ML 模型中的漂移

本文介绍了 ADORN，这是一种基于 Q-learning 的自适应重训练方法，旨在减轻由动态流量变化和开放无线接入网 (O-RAN) 中的漂移引起的性能下降。通过将重训练决策表述为马尔可夫决策过程，强化学习智能体学习到的策略在预测准确性和重训练成本之间取得平衡。

• 该系统结合了多专家长短期记忆 (LSTM) 集成，以减轻灾难性遗忘并提高对不同流量条件的鲁棒性。
• 实验结果表明，与贪婪和随机基线相比，ADORN 有效地降低了重训练开销，同时将系统性能保持在预定义的限制内。

这种方法解决了 O-RAN 环境中传统重训练方法带来的高计算成本和潜在的违反服务等级协议 (SLA) 的问题。