Machine Learning in the Air

郑重声明：原文参见标题，如有侵权，请联系作者，将会撤销发布！

由于最近在处理速度、数据采集和存储方面的进步，机器学习（ML）正在渗透到我们生活的方方面面，并从根本上改变许多领域的研究。无线通信是另一个成功案例——无处不在，从手持设备到可穿戴设备、智能家居和汽车。尽管近年来在利用ML工具解决各种无线通信问题方面开展了大量研究活动，但这些技术在实际通信系统和标准中的影响尚待观察。在本文中，我们回顾了ML在无线通信系统中的一些主要前景和挑战，主要集中在物理层。我们介绍了ML技术相对于经典方法所取得的一些最引人注目的最新成就，并指出了ML可能在不久的将来产生最大影响的有前景的研究方向。我们还强调了设计物理层技术以在无线网络边缘实现分布式ML的补充问题，这进一步强调了理解ML并将其与无线通信中的基本概念联系起来的必要性。

在我们探讨将ML应用于无线系统的挑战之前，我们想了解一下ML对于通信研究人员来说是否真的是一种新奇的东西。它是一个可以改变通信研究和未来通信系统的全新范式，还是另一个“新瓶装旧酒”，以新的风格呈现各种古老和已知的技术？事实上，ML与信息传输和存储理论之间的联系是多方面的，而且常常是惊人的。正如Shannon[3]所述，通信的基本问题，“在一点上准确或近似地复制在另一点上选择的消息”，实际上可以被重新描述为分类问题。更具体地说，构成任何通信系统核心的符号和序列检测都是一般分类问题的特例，即Shannon熵、互信息和Kullback-Leibler散度在ML中被广泛用作训练目标。矢量量化（VQ）是信源编码和率失真的关键，可以追溯到香农[4]。VQ也被称为k-means聚类，是无监督ML的一个主要部分。通用信源编码固有地以在线方式学习基础信息源的分布[5]，[6]，最成功的无损压缩算法基于信息论原理，如Lempel-Ziv和Burrows-Wheeler变换，并已成功实现日常使用（gzip、pdf、GIF等）。当使用训练/导频时，信道估计是以有监督的方式学习线性系统的任务。当（例如，功率放大器）非线性发挥作用时，必须学习更一般的非线性系统。编码可以看作是从降维潜在信息符号到信道输入空间的受控维扩展，而解码则将事物还原到原始低维信息空间。尽管存在着各种令人着迷的连接，但通用ML和传统无线通信系统之间仍存在一些关键差异。也许最关键的区别在于i）在通信中，我们对信道和系统模型的预期有相当好的把握，这些模型遵循物理定律；ii）我们完全可以控制什么、何时以及如何传播。原则上，这使通信成为基于模型的解决方案比一般的ML应用程序更好的游戏场所。
ML最近的成功最引人注目的方面是它的“数据驱动”特性——我们现在可以访问大量数据；因此，我们可以依靠数据得出结论，并设计前所未有的系统。ML的数据驱动方法明显不同于长期主导通信系统设计的基于模型的方法。多年来，通信和网络工程师一直在为基础物理通信信道、天线模式、数据传输、用户移动性、干扰和通信系统的许多其他方面开发越来越复杂和精确的模型。然后，他们根据这些模型设计了高度复杂的调制/解调技术、纠错码和网络协议，这些模型可以有效地实现（即使在低复杂度和能量有限的移动设备上），并且可以以相当高的数据速率实现可靠的通信。基于模型的方法在通信系统设计方面取得了巨大成功，使我们从第一代无线网络发展到第五代（5G），成功地满足了对更高质量和更低延迟内容交付的快速增长的需求。然而，随着我们朝着实施5G网络和采用更灵活的网络架构（网络功能虚拟化、软件定义网络等）的方向发展，很可能会出现许多场景，其中传统设计中使用的建模假设会受到质疑。例如，对于网络切片和多个服务类别，干扰可能会变得高度非平稳和非高斯。此外，5G应支持的低延迟通信可能不允许准确的信道估计，并且可能会出现短延迟块长码不能从信道中某些随机性的遍历性中获益。类似地，低延迟要求使得结构化和模块化分层网络架构高度次优，需要更集成的跨层设计，这增加了优化和操作这些网络的复杂性。这些挑战表明，需要对模型不匹配具有鲁棒性的非结构化解决方案。ML的数据驱动方法是否有助于设计此类无线通信系统和协议？现代ML技术可以帮助我们推断和预测网络流量、用户行为、应用程序需求和安全威胁，所有这些都可以用于更好的资源调配和改进网络运营。
3GPP已经引入了网络数据分析功能（NWDAF），以标准化这些数据在各种网络功能中的收集和通信方式[7]。虽然目前这一功能有限，但人们普遍认为，使用更高层网络和用户行为数据的分析将是5G和未来通信网络架构的组成部分，其中网络功能将通过NWDAF进行交互，以提供其他网络功能使用的相关数据，并将在可用数据上应用各种ML技术，以做出控制和资源分配决策。
因此，在这种情况下，一个重要的问题是什么类型的低层数据可以用来提高有限物理层资源的利用率，以及哪些ML技术可以根据这些数据提供及时和有用的推断和预测。
在本文中，我们将尝试回答这些问题，主要关注ML工具在底层设计中的一些典型应用。我们注意到，本文的目的不是对这一非常活跃的研究领域的最新成果进行调查，而是强调一些与传统物理层设计技术相比有望获得显著收益的引人注目的最新成果，并对这些技术的前景进行一般性讨论，以及它们在实际系统中实施和在标准中采用的潜在障碍。我们建议读者阅读有关无线通信中ML各个方面的优秀调查和综述文章，以更全面地了解其在不同环境中的最新应用[8]–[13]。接下来，我们将讨论在协议栈的较低层中应用ML的一些主要挑战。
A. Challenges of Applying ML Tools in Wireless Communications
对通信系统设计的数据驱动方法的一个主要批评是某些ML算法（如DNN）的“黑箱”性质，以及缺乏性能保证；然而，通信工程师习惯于在错误概率、干扰水平、信道中断、延迟等方面提供性能保证。在许多情况下，如紧急通信网络或关键基础设施，可靠性和延迟要求可能非常严格。然而，这种可证明的保证取决于假定的信道、流量和设备模型，其有效性与准确性一样好这些模型中的一个。例如，无论多么巧妙，信道建模始终是近似的，真实信道动态演化，并受到各种非线性/相变效应的影响，从放大非线性到同步丢失，这使我们更接近于更一般的ML领域。
相反，数据驱动的方法不需要强大的模型，而是可以简单地从可用数据中学习最佳的系统架构。一个特别引人注目的例子是将自动编码器用作一般的非线性检测机制，而无需物理建模、估计和明确实施均衡器或差错控制机制。这种方法的优点是，它可以仅基于训练数据而不基于其他任何信息，直接“反转”甚至未知的非线性信道。
因此，目前尚不清楚哪种通信系统更可靠：基于复杂但近似的模型优化设计的通信系统，还是基于训练数据的黑盒ML算法设计的通信系统。前者在表示现实时受到模型准确性的限制，后者在学习过程中使用真实数据，但数据的大小和可推广性总是有限的。我们预计，基于ML的解决方案将非常有效，尤其是当无法获得感兴趣问题的准确模型时（即[13]中提到的“模型定义”），并且有足够大且具有代表性的培训数据集可用时。
DNN的“黑盒”方面也带来了可解释性问题。理解ML方法成功或失败背后的原因，特别是基于DNN的方法，是一项持续的研究挑战[14]，尚未得到令人满意的解决。从工程的角度来看，不知道算法决策背后的原因使得处理故障或预测环境变化对性能的影响非常困难。与通信网络相关的另一个方面是保证用户之间的某种公平感，这样他们就不会因设备类型、位置、使用的协议等而受到ML算法的无意惩罚。ML中的公平性是一个非常重要且不断增长的研究挑战，特别是涉及个人数据的应用程序，以及那些做出直接影响我们生活的决定的应用程序，例如，简历的自动评估和排名，在线购物的推荐系统，甚至刑事调查[15]。考虑到我们的移动跟踪的敏感性，以及用户与其移动设备之间的密切关联，公平性可能也是ML在无线系统中未来应用的一个重要问题。
DNN的“黑盒”方面也带来了可解释性问题。理解ML方法成功或失败背后的原因，特别是基于DNN的方法，是一项持续的研究挑战[14]，尚未得到令人满意的解决。从工程的角度来看，不知道算法决策背后的原因使得处理故障或预测环境变化对性能的影响非常困难。与通信网络相关的另一个方面是保证用户之间的某种公平感，这样他们就不会因设备类型、位置、使用的协议等而受到ML算法的无意惩罚。ML中的公平性是一个非常重要且不断增长的研究挑战，特别是涉及个人数据的应用程序，以及那些做出直接影响我们生活的决定的应用程序，例如，简历的自动评估和排名，在线购物的推荐系统，甚至刑事调查[15]。考虑到我们的移动跟踪的敏感性，以及用户与其移动设备之间的密切关联，公平性可能也是ML在无线系统中未来应用的一个重要问题。
16.T. O’Shea and N. West, "Radio machine learning dataset generation with GNU radio", Proc. GNU Radio Conf., vol. 1, no. 1, 2016, [online] Available: https://pubs.gnuradio.org/index.php/grcon/article/view/11.
17.A. Alkhateeb, "DeepMIMO: A generic deep learning dataset for millimeter wave and massive MIMO applications", Proc. Inf. Theory Appl. Workshop (ITA), pp. 1-8, Feb. 2019.
18.I. Nascimento, F. Mendes, M. Dias, A. Silva and A. Klautau, "Deep learning in rat and modulation classification with a new radio signals dataset", Proc. 36th Simposio Brasileiro Telecomunicacoes Processamento Sinais (SBrT), Sep. 2018.
Show in Context Google Scholar
19.M. Arnold, J. Hoydis and S. ten Brink, "Novel massive MIMO channel sounding data applied to deep learning-based indoor positioning", Proc. Int. ITG Conf. Syst. Commun. Coding (SCC), pp. 1-6, Feb. 2019.
即使这些数据集可用，在这些数据集上的成功是否能保证在其他信道和网络条件下的成功也值得怀疑。无线信道通常是高度非平稳的，当在非常不同的无线环境中进行测试时，在通用数据集上的在线培训可能不会产生令人满意的结果。这可能需要对现有模型进行在线培训，以使其适应当前场景；然而，ML模型合理性能的训练时间往往超出通信系统的运行时间范围。
另一方面，当一个合理准确的模型（例如，对于基础通信信道）可用时，可以从该模型生成合成数据，该数据可用于在线培训。在这种情况下，通过对体系结构的明智选择，当比较具有类似计算复杂度的算法时，可以得到（至少在经验上）优于其传统对应算法的ML算法。这表明了另一种基于ML的技术已被证明是有用的设置：即使系统模型准确或完全已知，最佳解决方案也可能过于复杂，甚至难以解决[20]（在[13]中称为“algorithmde ficit”）。在这种情况下，该模型可用于生成数据，然后可用于训练有限复杂度的ML模型，该模型可尝试模拟可用的基于模型的近似或最佳解决方案，或直接实现最佳性能。这种方法已被证明可以使用适度的计算资源提供NP难问题的近似解[21]，[22]，或在完全已知但高度复杂的模型（如国际象棋、围棋或雅达利游戏[23]，[24]）中优于人类专家。我们将在第五节中提供更多细节，以及几个示例，说明如何在具有已知模型的无线网络中使用ML作为优化网络性能的方法（例如，多用户网络中的总和速率）。
在无线通信网络中采用基于ML的技术时提出的另一个问题是，大多数无线设备，特别是网络边缘的低复杂度终端，可用的计算和内存资源有限。数据驱动的ML技术的许多令人印象深刻的结果都是通过使用非常强大的计算机器和海量数据集获得的，而计算、内存和能源资源有限的移动设备可能无法实现这些结果。即使是最新的移动设备的计算能力也比用于训练复杂ML模型的高性能计算机低几个数量级。此外，每个无线终端用户设备通常只有有限的数据量，这进一步限制了训练能力。当前克服无线设备局限性的方法是云或边缘处理，其中无线设备上可用的所有数据都传输到边缘或云单元，在该单元中，可以使用所有数据集中训练强大的ML算法。然而，这种解决方案的代价是将数据从能量和带宽有限的无线边缘设备传输到中心边缘或云处理器，以及由此产生的延迟——更不用说隐私问题了，这正日益成为集中式数据处理的严重挑战。这就需要在无线环境中实现分散学习的新方法。分散式学习和决策最终受限于有多少信息在学习设备之间流动，以及有多少噪声破坏了本地设备的信息。显然，能够适应任意分布信息设置的算法是非常可取的。更多细节和具体示例将在第六节无线网络边缘的分布式ML中给出。
在本文的其余部分中，我们将重点介绍无线通信网络中的一些特殊问题，特别是在物理层，我们认为ML技术可以产生重大影响。在一些环境中，数据驱动的解决方案被提出来解决硬无线网络问题，并根据现有模型生成的数据进行培训。这些强调使用ML作为优化技术，以获得能够超越最新技术的解决方案。由于缺乏精确的模型，我们还将重点介绍一些数据驱动的ML技术适用的应用。尽管我们提供了大量关键参考文献的指针，但所提供的示例自然会受到我们个人研究经验和兴趣的影响。尽管如此，我们相信突出显示的观察结果可能会“概括”到其他相关问题和场景。

II. D EEP L EARNING BASED D ETECTION AND D ECODING

II. D EEP L EARNING FOR C HANNEL E STIMATION AND C HANNEL S TATE I NFORMATION (CSI) F EEDBACK
IV. AUTOENCODERS FOR E ND - TO -E ND C OMMUNICATION S YSTEM D ESIGN
V. M ACHINE L EARNING BASED R ESOURCE A LLOCATION
现代ML技术可以帮助解决的一类重要问题是（NP-）硬资源分配以及决策/调度问题——这在无线通信和网络中非常常见。示例范围从经典的多用户检测到和速率最优功率控制、多用户调度和传输控制或“智能”数据驱动TCP-IP。在以下段落中，我们将回顾一些示例。
[62]中考虑了联合多播波束形成和天线选择的情况，其中展示了如何使用DNN成功解决问题的离散优化部分。这是一个混合策略的示例，其中使用DNN与经典优化协同解决部分问题。
最小中断的波束形成[63]也被证明是NP难的，即使在信道分布已知的情况下也是如此，事实上直到最近才知道有一种非常好的近似算法。然而，依靠中断、简单平滑和随机梯度更新的样本平均“计数”近似，最近在[64]中设计了一种轻量级且非常有效的算法，该算法仅使用最近的信道数据，性能非常好。问题的表述如下：
64.Y. Shi, A. Konar, N. D. Sidiropoulos, X. Mao and Y. Liu, "Learning to beamform for minimum outage", IEEE Trans. Signal Process., vol. 66, no. 19, pp. 5180-5193, Oct. 2018.
如[69]所述，通过训练网络直接优化总和率，可以进一步定义该方法。在这种情况下，根据DNN的系数直接区分总比率，从而进一步提高性能。现有最先进的解决方案和上述近似方法仍然用于初始化优化，因此避免了不充分的局部最优。
68.H. Sun, X. Chen, Q. Shi, M. Hong, X. Fu and N. D. Sidiropoulos, "Learning to optimize: Training deep neural networks for wireless resource management", Proc. IEEE 18th Int. Workshop Signal Process. Adv. Wireless Commun. (SPAWC), pp. 1-6, Jul. 2017.

A. ML for Decentralized Resource Allocation

虽然上述资源分配问题的解决方法利用了对网络状态有充分了解的中央公共智能，但许多网络问题需要分散优化。例如，此类设置包括在没有中央控制器的情况下无线电设备之间的协调与合作任务，并且可以与所谓的团队决策（TD）和分散控制问题相联系，这是众所周知的难以解决的问题。在TD问题中，多智能体的目标是在不完全和非齐次信息的基础上，通过合作来实现一个共同的目标。在智能体之间推导具有任意输入不确定性的鲁棒多设备决策算法是一项具有挑战性的任务，无法通过传统的优化方法解决。团队决策问题最初由Radner在[70]中提出，后来由Marschak和Radner在[71]中研究。虽然某些特定的简单情况可以解决（例如，线性目标），但一般问题仍然悬而未决，没有好的近似解。这使得这类通信设计问题成为ML有趣的游戏领域.
通信网络中以网络性能最大化为目标的分布式无线资源优化问题可以归结为一个多智能体协调问题。通常，代理（即，无线电设备）基于不完美的局部信息（例如，噪声CSI）优化其传输参数;
72.D. Gesbert and P. de Kerret, "Team methods for device cooperation in wireless networks" in Cooperative and Graph Signal Processing, New York, NY, USA:Academic, pp. 469-487, 2018.
考虑n个代理的一般问题，其中代理j使用局部可用的信息来决定dj，由y j表示：其中sj可以是从信息空间到决策空间的任意函数。信息y j可从代理j处获得,可能是在实际传输之前通过回程网络共享的感测、估计、反馈或信息的结果。由于可用资源有限，预计得到的结果估计可能是对网络状态x的真实表示的不完全和/或不完全估计。该信息模型非常通用，作为特例包括上述问题的集中CSI配置以及本地CSI配置。

然而，这是一个相当简单的情况下，更一般的分散多智能体优化问题，因为我们只考虑one-shot优化，而不是重复设置，代理人采取多轮决策，同时收到某种形式的反馈在每回合结束。反馈可以是奖励函数的形式，也可以是代理之间的显式信息交换，可以分别分为主动反馈和被动反馈。在主动反馈的情况下，每个代理将优化信息以与其他代理共享，可能在多轮中，与决策函数一起共享。在任何一种情况下，该问题都可以表述为强化学习（RL）问题[73]，该问题已成功应用于许多通信问题[74]。
2）在无线网络中的应用：学习协作功率控制中的协作：为了说明上述概念在无线网络中的应用，我们考虑了一个由2个单天线发射器组成的玩具实例，其中信道COEF的不完美估计，服务于2个单天线接收器。我们考虑一个标准的瑞利衰落场景和跨发射器的联合预编码，目标是最大化总和速率。我们还扩展了先前的团队决策公式（9），以允许两个发送器之间的一阶段有限信息交换。
我们考虑T-DNN体系结构，其中使用不同的DNN来参数化每个决策函数，而所有DNN被联合训练。根据一步交换的假设，两个DNN生成要交换的消息，同时还从所有输入学习功率控制。

VI. L EARNING AT THE W IRELESS E DGE

物联网应用正在快速增长，这在很大程度上取决于传感器节点收集的数据，这些数据通过新兴的多址边缘计算（MEC）范式持续传送到通常位于网络边缘的集中处理单元。对这些集中装置收集的数据进行处理，以对被监测系统的状态进行推断和预测，进而可能导致状态更新，并传达给用户，或向执行机构发送操作指令。
ML工具越来越多地用于分析从物联网设备收集的大量数据。随着越来越多成功且有前途的物联网应用和部署，我们预计用于学习任务的物联网数据通信将在不久的将来成为无线网络流量的重要组成部分。
然而，在这种基于MEC的集中培训方法面前，有两个潜在的障碍。首先，将所有数据加载到云处理器进行集中培训将是一项挑战，尤其是在带宽和能源有限的无线网络中。对于数据密集型应用程序（如自动驾驶车辆或虚拟现实）尤其如此。例如，一辆自动驾驶汽车预计每秒会产生约1GB的数据，而将如此大量的数据连续地传输到边缘网络是不现实的。
隐私是另一个问题，它可以防止物联网设备（如智能仪表[82]或电动汽车[83]）收集的大多数传感器数据的集中式ML。虽然物联网数据的本地处理是一种替代方案，但通常单个设备在可用数据和计算能力方面都受到限制。
另一种选择是以分布式随机梯度下降（DSGD）或联邦学习（FL）[85]的形式在无线边缘实现学习，也称为边缘学习[84]。
有许多研究集中于通信效率分布式ML。这些研究可分为三种不同的方法，即量化、稀疏和局部更新。量化算法的目的是减少为了传递局部学习迭代的结果而需要传递的信息量；另一方面，稀疏化通过仅传输局部估计的重要值来减少通信负载。另一种方法是通过允许本地参数更新来降低来自设备的通信频率
然而，我们注意到，这些研究没有明确地对设备和参数服务器之间的底层通信通道进行建模，主要关注服务器场中的大规模分布式学习，其中数百台，甚至数千台机器协作学习超大数据集上的高维模型。然而，正如我们将在下面展示的那样，在无线边缘学习中，考虑特定的信道模型是至关重要的，在无线边缘学习中，信道可能会受到严重限制。
一种跨计算代理的编码方案，其中每个代理都被分配一个非零速率，以在每次迭代时传递其梯度估计。因此，每个代理采用量化来将要发送的信息量减少到无线信道允许的水平。这可以称为“separate digital’独立数字”方案，因为梯度估计值被转换为比特，比特由独立的信道码进行通信。
但是，请注意，参数服务器只对梯度估计的平均值感兴趣，而不是它们各自的值。因此，更有效的通信策略将是以“模拟”方式在不进行任何编码的情况下传输局部估计。如果设备是同步的，则无线信道会将其估计值相加，直接将所需值传送到参数服务器（该服务器只需将该总和除以设备数量即可得出平均值）。[94]中提出了梯度估计的随机投影，以减少所需的信道带宽。这种方法也可以扩展到衰落的场景[95]，[96]，在这种情况下，可以在设备处采用功率控制，以将其传输对准相同的接收功率水平。
该图比较了每个用户固定平均发射功率值的准确度。我们观察到，与首先量化估计值，然后使用信道码传输量化比特相比，梯度估计值的模拟传输实现了显著更高的精度。我们还从图7中观察到一个有趣的现象：模拟方案的精度随着设备数量的增加而增加，因为每个附加设备都有自己的电源，数字方案有一个最佳的设备数量，超过这个数量，精度就会下降。这是因为，每个设备的信道资源变得有限，超出了该最佳设备数量，这反过来又限制了传送到参数服务器的梯度估计的准确性。总的来说，研究结果强调了这样一个事实，即对于无线边缘的高效ML，必须将通信和计算结合起来考虑，分布式ML可以从物理层技术中获益，以提高效率和准确性。[97]中还通过考虑map shuf FLE-reduce框架中的编码无线计算得出了类似的观察结果，其中利用物理层技术来提供对设备和信道不确定性的鲁棒性。

VII. C ONCLUSIONS

我们希望能够对无线网络物理层的ML的前景和挑战进行一个有启发性的概述。我们已经提出了各种各样的无线通信问题，其中ML工具已经被证明能够提供显著的收益。
如前所述，这些情况对应于我们没有准确的系统模型，或者我们有准确的模型，但最佳解决方案极其复杂，因此无法通过常规方法获得。
各种功率分配问题已作为后一种情况的好例子出现。
信源-信道联合编码问题可以被认为具有两个局限性。
在图像传输的情况下，我们没有一个良好的自然图像统计模型；然而，即使在噪声信道上传输高斯源时，由于分离定理失败，有限块长度的最优解也未知。我们还通过边缘学习强调了ML和无线物理层之间的另一种联系。
我们已经证明，无线信道上分布式ML的准确性可以从物理层的联合处理和所采用的学习算法中大大受益。
鉴于这些引人入胜的成就和挑战，我们的研究界在未来几年将要解决的一个重要问题是：正在进行的ML革命是否会彻底改变通信系统设计，以便我们很快就能设计出不需要标准或协议的自主通信设备，并且可以简单地学习使用数据驱动的ML技术彼此通信吗？
或者基于ML的技术的现有缺陷是否限制了它们与通信系统的相关性，而我们应该“坚持己见”——经过时间考验的高度优化的基于模型的方法？
虽然时间会告诉我们答案，但它可能会在中间的某个地方着陆；
强大的领域知识和基于模型的方法需要与强大的数据驱动的ML技术相结合。
另一个重要问题与边缘学习中物理层技术的使用有关：鉴于ML特别是边缘学习的快速发展，我们是否需要新的标准和新的通信技术来支持边缘对ML应用程序日益增长的需求？
我们相信，一般而言，ML和数据驱动方法可以为通信网络架构的各个方面提供很多帮助，并且它们已经开始对更高层产生影响[98]–[100]。然而，为了实现这一承诺，需要进行大量的研究工作，从现有ML技术的适应到能够满足通信限制和要求的新技术的开发网络，包括在可用于移动设备[101]、[102]的低功耗芯片中实现这些功能中的至少一部分，和/或开发可使用低功耗低复杂度移动设备的完全分布式但高效的实现。
总之，从我们最近的深度学习和其他数据驱动方法的经验中，我们可以清楚地看到一个信息，那就是我们应该大胆思考。通信工程师接受过思考物理模型和最佳解决方案的培训，但深度学习的成功取决于使用大量数据和“天真”的轻量级方法（如随机梯度下降）来解决NP难问题。消化这一点需要相当多的文化转型。此外，这些通用轻量级工具的性能可以通过无线通信领域的专业知识得到显著提高，并辅之以对ML交易技巧的全面了解。