Học sâu tăng cường (DRL) cho phép thực hiện phân bổ phổ tần và công suất thích ứng
trong các mạng tùy biến phương tiện có tính động cao. Tuy nhiên, các chính sách DRL kích
thước lớn thường khó triển khai trên các thiết bị trên xe có tài nguyên hạn chế. Các phương
pháp tối ưu chính sách và nén mô hình thông thường chủ yếu bảo toàn giá trị phần thưởng
trung bình, nhưng có thể làm sai lệch quyết định tại các trạng thái hiếm liên quan đến mất
kết nối, vi phạm thời hạn truyền hoặc mất gói. Bài báo này đề xuất một khung nén bảo
toàn rủi ro. Trong đó một chính sách Teacher có ràng buộc truyền phân phối hành động,
các phân vị chi phí phần đuôi và nhãn hành động an toàn cho một chính sách Student gọn
nhẹ. Sau đó, chính sách Student được nén bằng cắt tỉa có cấu trúc nhận biết trạng thái tới
hạn và lượng tử hóa độ chính xác hỗn hợp. Khung đề xuất được đánh giá trên bộ mô phỏng
VANET xây dựng bằng Python với các kịch bản đường cao tốc và đô thị, đồng thời xét các
dịch chuyển về mật độ phương tiện, tốc độ di chuyển, sai số thông tin trạng thái kênh, độ trễ
quan sát, lưu lượng bùng nổ và thiếu dữ liệu nút lân cận. So với cách thông thường và các
phương pháp cắt tỉa hoặc lượng tử hóa INT8 truyền thống, chính sách nén duy trì 96.6%
hiệu năng của chính sách Teacher, giảm 33.3% xác suất vi phạm thời hạn trong điều kiện
sai số CSI nghiêm trọng và giới hạn độ suy giảm do nén ở mức ∆ CVaR0.95 = 0.034. Đồng
thời, kích thước mô hình giảm từ 3.61 xuống 0.72 MB và độ trễ suy luận P99 giảm từ 4.24
xuống 1.88 ms. Các kết quả này cho thấy hiệu quả triển khai trên thiết bị có thể được cải
thiện mà không làm mất các hành vi truyền thông quan trọng về mặt rủi ro