无信道模型的通信系统端到端学习
本文提出了一种使用神经网络自编码器进行端到端学习的通信系统的新的学习算法，该算法可以训练具有未知信道模型或具有不可微分组件的通信系统，并在软件定义无线电上实现，并在同轴电缆和无线信道上实现了最先进的性能。
Dec, 2018
本文提出了使用深度神经网络的端到端通信系统，并使用条件生成对抗网络表示了通道效应，从而构建了一种不需要先前信息的通道不可知的端到端系统。
Jul, 2018
本研究针对频率和时间选择性衰落信道，探讨端到端学习在无线通信上的应用，通过神经网络接收机代替传统正交导频，并使用超定位信号，线性复合和优化星座几何图形等技术替换正交导频，实现了与基线方案相同的误比特率和相对 7％的吞吐量提高，表明协同学习的发射机和接收机是超越 5G 通信系统的一个有趣组成部分，可以消除解调参考信号的需求和相关控制开销。
Sep, 2020
本研究提出使用条件生成对抗网络模拟信道影响来优化端到端通信系统，解决了信道状态信息难以获取的问题，并在多种信道中得到有效验证。
Mar, 2019
提出了一种基于深度学习和变分推断的框架，用于设计具有噪声传输符号的端到端通信系统，同时系统性地集成了通道类型等领域知识，在多个流行通道模型中击败了以前利用深度学习模型的先前工作，实现更好的打包密度和更快的速度。
Apr, 2019
提出了一种利用神经估计器来优化编码器从而实现最大化互信息的新方法，该方法仅依赖于信道样本，可以达到与具有完美信道模型知识的最新端到端学习相同的性能。
Mar, 2019
该研究基于正交频分复用建立了一个端到端的通信系统，将其建模为自动编码器，并将传输器和接收器表示为编码器和解码器的深度神经网络。该方法通过干扰训练和随机平滑等技术，以及引入增强训练数据的生成对抗神经网络，优于传统通信方案。同时，还将此方法扩展到多输入多输出情况，并演示其相对于传统方法的误码率性能提高。
Dec, 2021
通过扩散模型对信道进行近似处理，提出了一个高效的基于扩散模型的端到端信道编码框架，模拟结果表明扩散模型能准确学习信道分布，从而实现接近最优的端到端符号误码率，并具有在高信噪比区域具有稳健的泛化能力的优势。
Sep, 2023
通过基于深度神经网络的自编码器对带循环前缀的正交频分复用系统的端到端学习进行扩展，该实现具有与传统 OFDM 系统相同的优点，在频率选择性衰落通道上比较了自编码器系统与基线系统的性能，并研究了非线性放大器的影响。
Mar, 2018