机构名称：
¥ 1.0
摘要 - 近年来，机器学习（ML）技术为智能移动网络创造了许多机会，并加快了网络操作的自动化。但是，复杂的网络任务可能涉及变量和考虑因素，甚至超出了传统ML算法的能力。另一方面，大型语言模型（LLMS）最近出现了，在各个领域的认知任务中表现出了近乎人类的表现。但是，它们仍然容易出现幻觉，并且在基本任务中常常缺乏常识。因此，它们被视为人类的辅助工具。在这项工作中，我们提出了“生成循环”的概念，并利用了LLMS的语义理解，上下文意识和推理能力来帮助人类处理移动通信网络中的复杂或不可预见的情况。我们认为，将LLM和ML模型相结合，既可以利用其各自的功能，又可以实现比单独使用任何模型更好的结果。为了支持这个想法，我们首先分析LLM的功能，并将其与传统的ML算法进行比较。然后，我们根据下一代网络的要求探索潜在的基于LLM的应用程序。我们进一步研究了ML和LLM的集成，并讨论了它们如何在移动网络中使用。与现有研究不同，我们的研究强调了LLM与传统的ML驱动的下一代网络的融合，并将其作为现有调查的全面改进。我们的案例研究进一步证明了我们提出的想法的优势。最后，我们提供了一个案例研究，以通过LLMS生成的合成数据来增强基于ML的网络入侵检测。
生成的ai-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-dive网络
主要关键词
相关文件推荐
