大规模 MIMO 检测的图神经网络
本文采用图神经网络方法，提出了一种适用于高速移动场景下的大规模 MIMO 网络的新型信道跟踪方法，通过少量导频进行初步的信道估计，将所得数据以图的形式表示并通过图上的边权来描述信道空间相关性，引入了主要单元的计算过程并设计了一个基于图神经网络的信道跟踪框架，包括编码器，核心网络和解码器 ，仿真结果证实了我们提出的基于 GNN 的方案比采用前馈神经网络方法的方案表现更好。
Apr, 2020
本文提出了基于图神经网络的 MP 检测器后验分布启发式微调的新框架，同时提出了两种基于神经网络的检测器，其中 GEPNet 检测器最大化检测性能，GPICNet 检测器平衡性能和复杂度，仿真结果显示，GEPNet 检测器在各种配置下的性能接近最大似然性能，GPICNet 检测器比 BPIC 检测器的多路复用增益翻倍。
Jun, 2022
本文介绍了一种基于深度学习和迭代软阈值算法的 MMNet MIMO 检测方案，通过该方案，可以在同等或更低的计算复杂度下，实现对具有空间相关性的实际信道的在线训练，并在性能上远远优于现有的深度学习方法。
Jun, 2019
本文研究了基于深度神经网络的 MIMO 检测，并提出了一种适用于此检测任务的现代神经网络架构。通过数值模拟，结果表明，深层网络可以在显著降低复杂性的同时，提供针对具有不良条件通道和误指定噪声方差的鲁棒性，达到最先进的准确性。
Jun, 2017
本研究提出了一种新的深度学习方法，即使用另一个神经网络（超网络）来生成基于神经网络的检测器的权重，以解决多输入多输出系统的最优符号检测问题，并且能够在不需要重新训练的情况下实现接近最先进性能的结果。
Feb, 2020
本文提出了一种基于模型驱动的深度学习网络用于多输入多输出（MIMO）检测，通过深度学习技术优化网络的可训练参数以提高检测性能；由于网络可训练变量的数量等于层数，因此可以在很短的时间内轻松训练网络，并且网络可以处理时变信道，通过数值结果表明该方法可以显著提高 Rayleigh 和相关 MIMO 信道下迭代算法的性能。
Sep, 2018
本研究提出了一种基于模型驱动深度学习技术的大规模 MIMO 检测器，通过构建一个学习的共轭梯度下降网络（LcgNet），明确学习它们的通用值和增强网络通过增加这些步长的维度，并通过低分辨率非均匀量化器智能量化步幅，有效地减少了复杂性和内存成本。
Jun, 2019
基于图卷积的预期传播增强 MIMO 检测器 GCEPNet 提供更好的泛化能力和更快的推断速度，从而实现了最先进的 MIMO 检测性能。
Apr, 2024
本文介绍了利用模块化神经网络实现多天线信号检测，通过降低干扰和信号扩展以及神经网络的设计来达到减小量化误差的目的。本文的方法可以通过模块化来降低学习复杂度，并具有优于其他基于深度学习的 MIMO 检测方法的性能。
Apr, 2020
该论文研究了使用图形输入的卷积神经网络架构，通过采用多输入多输出的图形滤波器框架，对采用的图形滤波器加入附加结构，提出了三种较为简洁的架构，以减少模型参数、降低计算复杂度、简化训练过程并减少过拟合风险。模拟表明，所提出的简单架构具有与更复杂模型相似的性能。
Mar, 2018