이 논문은 6G RAN의 독립적으로 배포 가능한 셀 레벨 컨트롤러 간 AI 기반 자원 제어를 위한 통신 효율적인 서버리스 연합 멀티 에이전트 강화 학습 프레임워크인 FedCritic-MIMO를 제안합니다.
FedCritic-MIMO는 트레이너를 공유하지 않고, 로컬 액터와 개인화된 크리틱 구성 요소를 유지하며, 호환 가능한 공유 크리틱 파라미터만 교환합니다.
무선 환경 인지 이벤트 트리거, 오류 피드백을 통한 적응적 레이어별 상위 k 스파스 크리틱 교환, 균형 잡힌 간섭 인지 융합을 통해 협업을 지원합니다.
실험 결과, FedCritic-MIMO는 기존 방식 대비 최대 76%의 크리틱 통신 오버헤드를 줄이면서도 높은 처리량과 QoS 만족도를 달성했습니다.