本文提出了一种新颖的学习算法，通过监督接收器的训练和基于强化学习的发射器训练之间的迭代来解决没有可微通道模型的端到端通信系统学习问题，并在加性白噪声和瑞利衰落信道上证明了该方法的有效性。
Apr, 2018
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
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
本研究演示了通过深度学习和软件无线电实现完全由神经网络构成的通信系统，并使用两阶段学习方法应对训练过程中的不可导问题。
Jul, 2017
该研究提出了一种可训练的点对点通信系统，其中发射机和接收机均实现为神经网络，通过比特互信息训练并联结实用的比特度量译码接收机，同时联合优化星座图造型和标注，通过完全可微分的神经网络迭代解调和解码结构，在不修改任何条件的情况下处理任意通道，采用软件定义无线电实现并训练了端到端系统，实验结果表明，与传统技术相比，该方法具有显著的性能优势。
Nov, 2019
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。
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
本文提出一种基于自动编码器（autoencoder）的快速域适应方法来处理无线通信中信道改变的问题，该方法相比传统方法使用少量标记数据，不需要重复训练自动编码器，并且基于高斯混合密度网络（MDN）提出了一个正则化的参数适应方法。
Aug, 2021
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