本文提出了一种混合方法，通过模型与数据驱动组件结合的方式解决了单跳自组织无线网络中的最优功率分配问题，并在此基础上提出了一种新型的神经网络架构 — 折叠 WMMSE（UWMMSE），其中可学习的权重是通过 GNNs 参数化的，最后，我们证明了这个网络架构是置换等变的，从而可以负责不同的网络拓扑和拥塞情况。

Sep, 2020

利用图神经网络优化多用户多输入多输出无线自组织干扰网络中的波束成形，性能表现优于传统的 WMMSE 方法和基于学习的最新方法。

Apr, 2023

我们开发了一种新颖的基于图的可训练框架，用于最大化无线通信网络中的功率分配的加权和能效（WSEE）；为解决问题的非凸性，我们提出了模块化结构并提供了基于图卷积神经网络（GCNs）的可学习组件，通过梯度下降法进行模型训练，它已经证明可以推广到不同网络拓扑结构，并且具有优越的性能和鲁棒性。

Jan, 2022

本文提出了将深度展开应用于加权最小均方误差算法（WMMSE）的新方法，以在 MISO 下行通道中计算尽可能大的加权和速率，通过仿真实验表明，相较于传统方法，深度展开可以更好地权衡性能与计算复杂度。

Jun, 2020

在多小区 MIMO 网络中，使用加权最小均方误差算法进行协作加权和速率最大化是一项重要而困难的问题。 在本文中，我们介绍了一种称为 GCN-WMMSE 的结构，它利用了图信号处理的思想，在多小区 MU-MIMO 干扰信道中进行收发机设计。与传统的迭代算法相比，它具有低数量的可训练参数和高效率，大大减少了在分布式部署中的开销，并实现了与 WMMSE 算法相似的性能。

Feb, 2022

在这项研究中，我们对两种深度展开机制进行了比较研究，以便在下一代无线网络中有效地进行功率控制。通过分数规划转换，我们设计了两个解决方案来解决非凸能效问题。第一个解决方案是数值解，而第二个解决方案是封闭形式的解决方案。基于第一个解决方案，我们设计了一个半展开深度学习模型，将无线通信领域的领域知识与数据驱动的深度学习的最新进展结合在一起。此外，我们基于封闭形式解决方案的亮点设计了一个完全展开的深度学习模型，充分利用了具有表达性的封闭形式功率控制解决方案和深度学习的进展。在模拟结果中，我们比较了所提出的深度学习模型和迭代解决方案在准确性和推理速度方面的性能，以展示它们在实时应用于下一代网络的适用性。

Feb, 2024

本文提出了一种基于优化理论的算法框架，采用深度展开神经网络求解多用户 MIMO 系统中的前编码设计问题，并实现了一个基于 WMMSE 算法的高效 IAIDNN，有效地降低了计算复杂度，同时保持了 WMMSE 算法的性能。

Jun, 2020

本文提出了一种基于深度神经网络的学习算法来近似数值优化算法，在无线资源管理的应用中，此算法可以在几乎实时完成资源分配，大大提高了计算效率。同时，本文也在理论和实践两方面讨论了基于深度神经网络的算法逼近，并在实现方面用大量数值模拟来证明该算法相对于基于优化的最先进的功率分配算法可以实现几个数量级的加速。

May, 2017

本研究旨在利用随机边图神经网络 (REGNN) 在无线网络中实现最优资源分配，通过卷积神经网络构建 REGNN，利用无监督模型进行权重训练，并测试其性能和转移能力。

Sep, 2019

本文提出使用图神经网络（GNNs）解决功率控制问题，并设计了干扰图卷积神经网络（IGCNet）来学习最佳功率控制。IGCNet 在无监督的情况下展现出了较好的性能，并且可以解决传统算法下的功率控制问题。

Jul, 2019