基于世界模型的移动网络控制

arXiv 2026 40.4 method, application

TLDR

提出基于世界模型的移动网络控制，实现自适应配置与动态优化免重训练，经仿真与真实数据验证。

评分理由

The paper presents a novel application of world models to mobile network control, with strengths in dynamic optimization and use of real network data. However, the evaluation is limited to a specific energy-saving feature and simulation may not fully capture real-world complexity.

Read-first 评分解释

综合优先阅读分 40.4，由主题、引用、图谱、方法、可复现性和近期性等信号加权得到。原始总分保留为 36。

近期性 6%

100

使用温和的时间衰减，让近期论文更容易浮现，同时保留较早基础工作的价值。年份：2026

方法质量 18%

检查可见的摘要与分析字段，寻找实验、数据集、基线、指标和局限性等方法证据。命中信号：基线、评估、结果

主题相关性 29%

51.4

使用现有 LLM 关键词相关性评分，并归一化到 0-100。关键词：world model、world simulator、generative world model、interactive world model、video world model、world dynamics prediction、model-based reinforcement learning world model

可复现性 18%

检查链接和可见文本中的论文、代码、数据集、工件与仓库信号。论文：有；代码：无；数据：无；命中信号：无

引用影响力 18%

使用 OpenAlex 形态的引用元数据作为文献关注度信号，并与论文本身质量分开处理。引用数：0

引用速度 12%

引用速度按发表年限估算年均引用，降低旧论文天然占优的偏差。年均引用：0.00

研究版图角色

前沿论文方法锚点

排序敏感性

稳定性：volatile；排名波动范围：320。

关键词评分

world model

world dynamics prediction

model-based reinforcement learning world model

interactive world model

world simulator

generative world model

video world model

深度分析

创新点

基于世界模型的方法，利用历史数据预测动作对未来网络状态的影响，用于移动网络控制
利用模型的不确定性估计，鲁棒地找到最优网络配置变更
无需重训练模型即可动态改变优化目标

方法

从历史网络数据中训练一个世界模型，用于预测给定动作下的未来状态。控制器利用模型的不确定性估计来鲁棒地优化配置变更。该方法在模拟的节能功能闭环控制中评估，并在真实网络数据上测试世界模型，同时通过吞吐量约束下的反事实动作评估。

关键结果

该方法在节能与服务质量之间的权衡上优于传统方法和强化学习基线，并在真实数据上展示了有效的反事实推理能力。

局限性

闭环控制评估仅限于仿真，未报告实际网络部署
摘要未说明世界模型在大规模网络中的复杂度或可扩展性

资源

论文