本文介绍了利用深度学习技术在未来的无线通信网络中的应用。通过论证，说明数据驱动的方法不应该取代传统的基于数学模型的设计方法，而应该互相补充。本文详细介绍了深度学习方法，包括人工神经网络，以及一些在无线通信网络领域中成功应用深度学习方法的案例研究。最后，本文描述了未来研究方向。

Feb, 2019

本文介绍了机器学习和人工神经网络在下一代无线通信网络中的应用，涵盖了前馈神经网络、循环神经网络、脉冲神经网络和深度神经网络等不同类型，并讨论了无人机通信、虚拟现实和边缘缓存等无线通信问题和挑战。作者提出了未来可能的研究方向，对开发满足未来无线网络需求的机器学习技术提供了全面的指南。

Oct, 2017

本文总结了机器学习中的实际需求和挑战，重点介绍了深度神经网络的三种资源效率技术：量化神经网络，网络剪枝和结构效率，以及它们在诸如 CPU，GPU 和 FPGA 等嵌入式系统中的应用和实验结果。

Jan, 2020

本文概述了人工智能在 5G 及以后无线网络中的应用，包括网络智能类型、机器学习以及应用案例，重点介绍了物理层、移动性管理、无线安全和定位方面的应用。

Nov, 2019

该论文介绍了人工智能中机器学习的相关概念，特别介绍了称为深度神经网络（DNNs）的一种深度学习模型，它具有多个人工神经元和层级结构，但容易受到所谓的 “灾难性遗忘”（CF）效应的影响，它还介绍了对抗 CF 效应的各种技术，以实现持续学习的目标。

Jul, 2022

深度学习网络在语音识别、图像描述和语言翻译等方面的高性能表现是由于它们利用高维空间的几何特性，然而它们究竟能否推广到实现全面的人工智能，以及和大脑规划和生存相关的其他区域的灵感还需做出重大突破。

Feb, 2020

近年来，移动计算和物联网网络的快速部署使得无线系统的通信和感知能力大幅增强，而基于大数据分析、普适计算和人工智能（AI）的新型网络架构 —— 无线 AI 将 AI 推向网络边缘，成为未来智慧网络演进的关键，本文提出了一个从数据驱动的角度出发，关于无线 AI 的最新研究的综合调查，尤其在数据驱动领域，对无线 AI 在各个领域具有的应用进行了深入讨论，为无线网络的设计和优化提供了可能的解决方案和方向。

Feb, 2020

综述了深度学习在计算机视觉、自然语言处理、时间序列分析和普适计算领域的最新模型以及其在解决各个领域问题中的有效性，并介绍了深度学习的基础知识、各种模型类型以及重要的卷积神经网络架构，并讨论了深度学习研究的挑战和未来方向。

Mar, 2024

对于实现对抗性防御、可解释的人工智能（XAI）和零样本或少样本学习，我们回顾了当前和新兴的知识驱动和启发式认知系统。数据驱动的深度学习模型在许多应用中取得了卓越的性能，并展示了超过人类专家的能力。然而，它们无法利用领域知识导致在实际应用中存在严重的性能限制。特别是，深度学习系统容易受到对抗性攻击，这可能导致明显错误的决策。此外，复杂的数据驱动模型通常缺乏可解释性，即它们的决策无法被人类理解。此外，模型通常在具有封闭世界假设的标准数据集上进行训练。因此，在实际的开放环境推理过程中，它们很难推广到未见情况，从而引发了零样本学习问题。虽然存在许多常规解决方案，但明确的领域知识、启发式神经网络和认知架构为缓解这些问题提供了强大的新维度。先前的知识以适当的形式表示，并结合在深度学习框架中，以提高性能。受大脑启发的认知方法使用模仿人类思维的计算模型来增强人工智能代理和自主机器人的智能行为。最终，这些模型实现了更好的可解释性、更高的对抗稳健性和数据有效学习，从而能够深入了解认知科学和神经科学，进一步加深对人脑一般工作原理以及它如何处理这些问题的理解。

Mar, 2024

本文简要介绍大数据分析和机器学习，并探讨它们在下一代无线网络中的潜在应用。提出了一个统一的大数据辅助的机器学习框架，用于预测移动用户的要求，并利用它来改善社交网络感知无线网络的性能，为了描述该框架的效率，提供了一对智能实际应用作为案例研究，以及为激励未来的研究提供开放式研究机会。

Jan, 2019