[1901.08329] When Machine Learning Meets Big Data: A Wireless Communication Perspective

Yuanwei Liu, Suzhi Bi, Zhiyuan Shi, Lajos Hanzo. “When Machine Learning Meets Big Data: A Wireless Communication Perspective.”

Abstract

我们目睹了商业数据服务的指数级增长，这导致了“大数据时代”的到来。机器学习作为分析数据泛滥的最有前途的人工智能工具之一，已在学术界和工业界的许多研究领域中被广泛使用。
本文的目的是双重的。
首先，我们简要回顾大数据分析和机器学习及其在下一代无线网络中的潜在应用。
第二个目标是调用大数据分析来预测移动用户的需求，并利用它来提高“社交网络感知的无线”的性能。更具体地说，提出了一种统一的大数据辅助机器学习框架，该框架包括特征提取，数据建模和预测/在线修正。提出的框架的主要好处是，依靠反映用户频谱和其他挑战性需求的大数据，我们可以在无线网络的背景下完善功能强大的机器学习算法的动机，问题表述和方法论。
为了表征所提出框架的效率，提供了一对智能实际应用作为案例研究：
1）通过收集有价值的信息，根据特定的远程交通需求来预测无人机安装的区域基站（BS）的位置来自社交网络的数据。
2）通过从社交网络中挖掘数据，根据用户的喜好预测BS的内容缓存要求。最后，确定了开放的研究机会，以激励未来的研究。

即将出现的下一代技术家族旨在提供依赖于高吞吐量，大规模连接性和低延迟的高质量通信服务。 对于蜂窝系统，预期1-10 Gbps的下行链路传输速率和小于1毫秒的延迟。 同时，5G标准还允许传统的高速蜂窝通信与机器对机器（M2M）和物联网（IoT）服务共存，并着重于大范围，先进的密集连接（与多达一百万个传感器相关联） 平方公里区域内的连接）[1]。 例如，为工业控制和健康监控而设计的物联网网络会生成大量传感数据。 另外，在不久的将来，自动连接的车辆将支持数百万个高速设备，这将显着增加新兴的下一代（NG）网络的数据流量。
“人工智能”（AI）一词最早是约翰·麦卡锡（John McCarthy）于1956年提出的[2]。作为计算机科学的一个分支，AI承诺通过模仿人类的行为来增强计算机的智能，即理解自然语言，计划，感知声音和对象以及解决问题和学习，如图1所示。 。制定AI解决方案的技术很多。早期的开创性方法倾向于通过利用领域特定的知识来显式地对决策系统进行编程，从而形成专家系统的概念。为了创建此类领域特定的专家程序，必须构造并塑造各种精心定义的规则。与包含数百万行代码以及决策树和复杂规则的专家系统相比，机器学习的复杂性可能较低，因此在过去的几十年中它取得了巨大的进步[3]。机器学习和AI之间的风格化关系如图1所示。机器学习背后的核心动机是基于对大量数据的访问而允许自主学习/训练，而不是编写特定指令的硬编码例程。然后，生成的算法提供了各种智能操作，范围从基于过去的经验进行学习，推理理解复杂的想法以及推广到新的情况。

有鉴于此，一个自然的问题出现了：大数据和机器学习如何帮助提高未来5G和无线网络之外的性能？在撰写本文时，如何利用机器学习技术来解决依赖大数据分析的无线网络场景中的典型优化问题还不是很广泛。为解决这一问题做出的贡献促使我们开发本论文，其中分析型机器学习工具利用大数据资源来支持无线网络中的智能应用。
本文的主要贡献可以概括如下。
1）讨论了无线网络中大数据资源的有益开发；
2）根据不同的标准提出了三种适用于机器学习的分类方法。通过考虑引人注目的应用场景来讨论其优缺点。
3）提出了一个在社交网络感知的无线中调用机器学习技术的统一框架，并考虑了一对智能应用场景，从而增强了框架。
本文的其余部分安排如下。
第二节介绍了即将到来的“大数据时代”，
第三节介绍了机器学习的分类，优点和缺点。
第四节提出一个统一的大数据辅助机器学习框架，
第五节讨论一对有希望的案例研究。
第六节讨论我们的结论和未来的研究场景。

在本节中，我们将详细介绍如何对机器学习技术进行分类以及如何将其应用于无线通信。 此外，还讨论了每个机器学习系列的优缺点，如图3所示。

机器学习的分类，相应的利弊和应用场景

上表旨在提供对现代机器学习方法在无线通信中的实际应用的系统综述。
通过根据1）他们如何需要人工监督2）他们是否能够执行增量学习3）他们如何概括大规模的训练/测试场景，将各种方法分为三个主要组，我们明确展示了每种方案的利弊突出显示最合适的应用程序。

在本节中，我们在图4中提出新的统一机器学习框架。根据社交数据，云数据或无线数据，我们旨在调用高级机器学习方法来分析数据以提取有用的信息。 更具体地说，所提出的框架包括三个阶段，如图4所示，下面将对其进行详细说明。

统一的大数据辅助机器学习框架