网络智能化/通信AI 大模型论文-从多层感知器到GPT：无线物理层DL研究 From Multilayer Perceptron to GPT: A Reflection on DL

From Multilayer Perceptron to GPT: A Reflection on Deep Learning Research for Wireless Physical Layer
从多层感知器到GPT：无线物理层深度学习研究的反思

https://arxiv.org/abs/2307.07359v1

重点讨论了无线物理层深度学习研究中 准度-泛化 权衡 （accuracy-generalization trade-off ）的重要性，并给出了评估标准列表。

摘要：

大多数应用于无线通信物理层的深度学习（DL）研究都没有提出 准确性-泛化 权衡 （accuracy-generalization trade-off ）在开发和评估实用算法中的关键作用。为了突出这种常见做法的缺点，我们重新审视数据解码的例子，从介绍基于DL的端到端无线通信系统的第一篇论文到促进使用人工智能（AI）/DL的无线物理层研究。然后，我们提出了两个关键的权衡设计DL模型的通信，即准确性与泛化和压缩与延迟。我们讨论了它们的相关性的背景下，无线通信使用的情况下，使用新兴的DL模型，包括大语言模型（LLM）。最后，我们总结了我们提出的评估准则，以提高DL对无线通信的研究影响。 这些准则试图调和DL研究的经验性质与无线通信系统的严苛要求度量。

结论：

对未来6G无线应用日益增长的要求迫切需要超越准确性度量来评估通信的DL方法。如下图表所示，我们已经描述了精度泛化和压缩-延迟权衡在形成无线问题DL技术的未来评估指南中的重要性。这些评估标准应该根据对深度学习模型应用于无线通信问题所面临的具体挑战的新理解不断更新。我们还讨论了这些指标在评估新兴深度学习模型（包括大型语言模型）的相关性方面如何至关重要。我们相信，这些权衡弥合了应用于通信问题的深度学习模型的经验性质与未来通信系统具有挑战性的技术要求之间的差距。

图表：拟议的评估组成部分

数据源	关于实际环境中数据集收集过程的讨论
准确性评估	使用优缺点的绩效基准
泛化评价	不同分析制度下不同参数值的模型精度研究
延迟评估	实用算法解决方案的时间复杂性基准