优化 MAC 信令与无线信道访问的联合学习
本文利用多智能体强化学习框架，让基站和用户设备一起学习在无线多点接入场景中的信道访问策略和信令，比较竞争自由和基于竞争的基线，结果显示我们的框架在高流量情况下保持低冲突率的同时，在吞吐量方面表现出色。同时本文研究了所提出方法的可扩展性，并为解决该问题提供了首个结果。
Jun, 2022
通过提出了一种基于自编码器的观察抽象框架，实现了在蜂窝通信网络中对一些关键技术的学习，比如 5G 和 6G 之类的，进一步的加强了当前基于多智能体技术的反馈学习算法的鲁棒性和推广性。
Jun, 2022
本文对数据驱动介质访问控制（MAC）协议进行了新颖的分类，分为三个级别：第一级 MAC，使用多智能体深度强化学习（MADRL）构建的面向任务的神经协议；第二级 MAC，通过将第一级 MAC 的输出转化为明确符号来开发神经网络导向的符号协议；第三级 MAC，利用大型语言模型（LLMs）和生成模型的语言导向的语义协议。通过这种分类，我们旨在探究每个级别的机遇和挑战，并从信息论和相关原理以及选定的案例研究中提供对数据驱动 MAC 协议的轨迹的见解，同时为未来的研究方向提供启示。
Oct, 2023
本研究使用强化学习方法，将两个设备间的无线通信建模为优化双向通信策略的问题，以此解决传统无线通信领域所面临的问题，如人工频谱稀缺、无法动态分配频率等。实验结果表明所提出的方法具有优越的学习能力和智能性。
Jan, 2018
使用多智能体强化学习框架，协同学习计算卸载决策和多信道访问策略以及相应的信令，通过采用新兴通信协议学习框架解决了基于期限约束的多智能体计算任务合作执行问题，并实验证明了新兴通信对于提高信道访问成功率和成功计算任务数量的效果，同时所提出的任务卸载策略优于远程和本地计算基准。
Jan, 2024
本研究使用紧密联系的智能体通过互相交流离散符号彼此合作完成任务。通过分析他们之间的交流，证明了他们发展的语言与网络拓扑有关，并在交通控制器问题上实现了最先进的性能。
Apr, 2020
开发名为 CACOM 的上下文感知通信协议，通过多个阶段的粗略表示交换和注意机制，为多智能体强化学习提供了个性化的通信方案，采用学习的步长量化技术以减少通信开销，并在合作基准任务上实验结果证明 CACOM 在通信受限场景下提供了明显的性能提升。
Dec, 2023
本文提出了一个基于多智能体强化学习的中介访问框架，使用强化学习解决无线网络中的访问问题，通过调整 MAC 层传输概率来实现最优负载并适应时间变化的负载，同时保持对异构负载的不可知性。
Feb, 2021
在这篇研究论文中，我们提出了一种强化学习方法来控制蜂窝网络中基站的间歇式接收策略，并通过适时传输快速的第二层信令消息（即 5G 新无线电中规定的中介访问层控制元素）来实现。与传统的间歇式接收优化方法不同，我们通过此中介控制元素信令来评估可以获得的收益。我们的模拟结果表明，与大多数当前实施的传统定时器方法相比，我们提出的技术在延迟和能量节省之间取得了改进的平衡。具体而言，我们基于强化学习的策略可以将单个用户设备的活动时间减少近一半，同时仍然实现了同时服务的 9 个用户设备近 20% 的活动时间减少。
Jun, 2024