[论文解读] A Survey on Machine Learning for Optical Communication [Machine Learning View]

Mohammad Ali Amirabadi|arXiv (Cornell University)|Aug 21, 2019

Optical Network Technologies参考文献 134被引用 22

一句话总结

本文从机器学习（ML）的视角出发，对光学通信中机器学习应用进行了全面综述，填补了现有文献中侧重光学通信而非机器学习方法论的空白。文章回顾了最先进的机器学习算法及其在光学通信挑战中的适用性，提供系统性概述，以帮助机器学习与光学通信研究人员弥合学科鸿沟，并发现该领域尚未开发的研究机遇。

ABSTRACT

Machine Learning (ML) for Optical Communication (OC) is certainly a hot topic emerged recently and will continue to raise interest at least for the next few years. The rate of research development in this area is growing very rapidly. Novelty of this research direction resides mainly in the peculiarity of the application field, rather than in the methodological approaches, which are (at least up to now) state-of-the-art ML algorithms. Reviewing the literature shows that many of the ML algorithms have not yet been used in this area, and many of the OC applications are not considered yet, which reflects the fact that the research topic is pristine. Accordingly, tutorial investigations are quiet necessary in this filed to help researchers be aware about the last progressions and cavities of this field. Although several tutorials have been released recently, they considered this topic from OC view, and neglected ML view. However, it is required to have an investigations about the ML algorithms used in this subject. Accordingly, for the first time, this paper reviews ML for OC literature from ML viewpoint. This view could be really helpful because only OC experts work on ML for OC, and they are not ML experts, so it could really help them to have a comprehensive view on the ML subjects implantable in OC. It has worth to mention that compared with other works, this survey reviews much more investigations; therefore, it has more generality, and gives the reader to have a comprehensive overview on this topic.

研究动机与目标

• 提供一份全面、以机器学习为核心的光学通信中机器学习应用综述，弥补现有文献中此类视角的缺失。
• 帮助光学通信研究人员——其中许多并非机器学习专家——理解并应用最先进的机器学习技术于光学系统。
• 识别机器学习与光学通信交叉领域中尚未充分探索的应用及研究空白，突出未来工作的潜在机遇。
• 通过涵盖更广泛的机器学习方法及其在光学通信背景下的实现，提供比以往综述更广泛、更具普适性的概述。
• 作为教程资源，弥合机器学习与光学通信研究社区之间的方法论鸿沟。

提出的方法

• 本综述对2019年及以前发表的光学通信中机器学习应用进行了系统性文献回顾。
• 根据机器学习技术在光学通信中的应用领域（如信号检测、信道估计和非线性抑制）进行分类与分析。
• 强调机器学习算法的方法论方面，包括监督学习、无监督学习和强化学习，重点关注其在光学系统中的适用性。
• 评估各种机器学习模型在光学通信场景中的性能与实现可行性，比较其优缺点。
• 对不同光学通信挑战中的机器学习技术进行对比分析，突出在特定任务中最为有效的方法。
• 提供适用于光学通信的机器学习框架与工具的结构化概述，帮助研究人员选择合适的方法。

实验结果

研究问题

• RQ1 哪些机器学习算法已被应用于光学通信系统，它们在性能和适用性方面如何比较？
• RQ2 将机器学习集成到光学通信系统中的关键挑战是什么，现有方法如何应对这些挑战？
• RQ3 为何在光学通信研究中需要机器学习视角，尤其是在当前文献中光学工程视角占主导地位的情况下？
• RQ4 在光学通信中，哪些最有前景但尚未充分探索的机器学习应用？
• RQ5 缺乏机器学习专业知识的光学通信研究人员如何有效采用并实施最先进的机器学习技术？

主要发现

• 本文识别出一个显著的研究空白：尽管许多机器学习算法在光学通信中尚未被充分利用，但该领域仍处于很大程度上未被开发的状态，显示出巨大的创新潜力。
• 现有大多数光学通信中机器学习的应用依赖于成熟的先进技术，如深度神经网络和强化学习，而非新颖的算法发展。
• 综述表明，仅有一小部分光学通信应用使用了机器学习，暗示未来研究存在广阔空间。
• 从机器学习视角出发，能提供更系统化、更具普适性的框架来理解与应用机器学习技术，而这在以光学通信为重点的综述中往往缺失。
• 作者强调，光学通信专家从专门的机器学习视角中受益显著，因为它帮助他们无需深入掌握机器学习专业知识，即可在复杂的机器学习方法图景中导航。
• 综述得出结论：全面且以机器学习为核心的综述对于加速该领域发展、促进跨学科合作至关重要。