arXiv cs.AI·42 天前★ 2

学习优化：AI原生网络缺失的架构层

原文标题：Learning-to-Optimize as the Missing Architectural Layer of AI-Native Networks

重要度 2/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。

AI 智能摘要

论文主张Learning-to-Optimize（L2O）是优化与AI原生智能之间缺失的架构层，将优化算法重新定义为离线知识生成器，为神经代理模型提供高质量监督信息。提出包含优化、知识生成、代理学习与运行时推理的四阶段工作流。以NR-V2X中继选择为例，用MILP求解器生成的解训练图神经网络，实现实时近优决策。

论文速读 · 四段结构cs.LG去论文速读 →

问题: AI原生网络中，优化知识如何系统生成、迁移并被AI模型利用缺乏架构指导。
方法: 将Learning-to-Optimize重新定义为架构层，把优化算法当作离线知识生成器，提出优化、知识生成、代理学习、运行时推理四阶段工作流。
结果: 以NR-V2X中继选择为例，用MILP求解器生成的解训练图神经网络，实现实时近优决策（未给出具体量化指标）。
影响: 为网络自动化提供可复用的优化到神经代理的架构范式，适合通信与资源调度系统参考。