arXiv cs.AI· Binghan Wu, Kai Zeng, Kai Yang, Ya-Qin Zhang, Joseph Sifakis, Ye Ouyang·· 3 天前AI 评分22
RAN-JEPA：面向节能移动网络控制的动作条件世界模型
RAN-JEPA: An Action-Conditioned World Model for Energy-efficient Mobile Network Control
AI 导读
RAN-JEPA 是一种动作条件世界模型，将表征学习与干预学习分离：先仅用观测数据预训练预测性潜表征，再在真实四小区 5G 测试台上适配域并从受控 sleep/wake 轨迹学习动作条件潜动力学，编码器保持冻结。
正文 · AI 翻译
摘要：运营中的移动网络观测丰富但干预匮乏：它们持续产生大量被动遥测数据，而受控的动作—响应轨迹相对稀少且采集成本高昂。这种观测—干预不对称性是构建实用 RAN 控制世界模型的核心障碍。我们通过 RAN-JEPA 解决这一问题，这是一种动作条件世界模型，将表示学习与干预学习分离。该模型首先从仅含观测的网络数据中学习预测性潜在表示，将该表示适配到目标部署域，然后在保持编码器固定的情况下，从受控的休眠/唤醒轨迹中学习动作条件潜在动力学。我们使用公共运营商性能数据进行预训练，并使用真实设备的四小区 5G 测试床进行域适配、后训练和控制，来评估 RAN-JEPA。在四个未来 15 分钟区间内，RAN-JEPA 的动作条件预测误差低于 GPT-2 世界模型基线和机制规则，同时接近强持续性参考。What-if 评估进一步表明，该模型在匹配的 SLEEP 和 KEEP 计划下产生不同且连贯的未来轨迹。在闭环控制中，RAN-JEPA 在相当拥塞成本下始终支持比两个基线更高的休眠比例。这些结果表明，观测优先、动作条件的学习可以将丰富的被动遥测和有限的干预数据转化为用于能量感知 RAN 控制的实用预测模型。
| 学科： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.17584 [cs.AI] |
| （或 arXiv:2610.17584v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.17584 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Binghan Wu [查看电子邮件]
[v1]
2026年10月13日星期二 02:05:04 UTC（29 KB）
来源：arXiv cs.AI · arxiv.org