本篇文章探讨了基于深度学习的无线通信的两种主流方法：基于深度学习的架构设计和基于深度学习的算法设计。旨在鼓励更多的智能无线通信研究和贡献。

Jul, 2020

介绍了基于深度学习的物理层处理的新兴研究，包括基于深度学习重新设计传统通信系统的模块（用于调制识别，信道译码和检测）并将通信系统替换为基于自动编码器的全新架构。

Oct, 2017

该文章回顾了最近在物理层通信中使用模型驱动深度学习方法的应用，包括传输方案、接收机设计和信道信息恢复，并在展示全面调查后，提出了若干进一步研究的开放问题。

Sep, 2018

本文着眼于机器学习在无线通信领域的应用，分析了其对 6G 网络的影响，提出了在 6G 网络各层使用机器学习方法解决问题的前景以及使用 ML 进行无线网络的零触碰优化的有趣方面，并针对每个部分提出了有价值的研究问题。

Apr, 2020

本文回顾了机器学习在物理层无线通信系统中的应用及其带来的一些挑战，并着重介绍了机器学习在无线通信领域中的一些前沿技术及其在未来的研究方向，同时强调了基于物理层设计的分布式机器学习的可行性和需求。

Apr, 2019

本文概述了基于深度学习的物理层通信的最新进展，将 DL 在通信系统中的应用分为具有块结构和没有块结构的系统，探讨了 DL 在信号压缩和信号检测中的应用，以及最近为开发端到端通信系统而做的努力，并指出了提升具有 DL 的智能物理层通信的潜在研究方向。

Jul, 2018

本文提出了一种方法将车辆交通模拟器和光线追踪模拟器结合起来，生成代表 5G 情境的信道实现，并描述了一个特定的数据集，用于研究基于毫米波的车辆对基础设施的波束选举技术，并利用这个方法生成的数据集进行分类，回归和强化学习问题的实验。

Jun, 2021

该研究论文总结了与机器学习相关的通信和 ML 原则，并提出了具有选定用例的通信高效和分布式学习框架。

Aug, 2020

通过深度学习算法学习输入信号的关键特征和特性，而不需要人为进行先前的识别和建模，深度神经网络能够学习自然制造信号（例如照片和音频）中的复杂特征，并将其用于分类和决策，但在通信系统中，情况有所不同。信息信号是人造的且传播渠道相对易于建模以及在香农容量限制附近操作，那么深度学习在未来通信系统的发展中是否有作用呢？

Jan, 2020

本文提出并讨论了深度学习在物理层的几个新应用，并将通信系统解释为自编码器，开发了一种基本的新方式来思考通信系统设计，演示了深度学习在通信技术领域的应用和挑战。

Feb, 2017