通过使用深度学习在大规模 MIMO 网络下行链路中执行最小最大功率分配和最大乘积功率分配，神经网络可以通过学习用户设备（UE）的位置和最优功率分配策略之间的映射，预测新的 UE 位置的功率分配配置，并比传统的优化方法具有更好的性能 - 复杂度平衡，不需要计算任何统计平均值，能够保证接近最优的性能。

Dec, 2018

该论文研究了在具有不同数量活跃用户的多小区 Massive MIMO 系统中的总谱效率（SE）优化问题，并针对性地提出了一种深度学习解决方案来实现实时计算。研究结果表明，所提出的神经网络解决方案在保证计算速度的同时，只损失了 2% 的总谱效率。

Jan, 2019

本文研究了基于深度强化学习的无模型无需解析解的动力控制方案在跨单元合作、离线 / 在线集中训练和分布式执行等方面的数学分析和具体实现。 分析和仿真结果表明，DRL 设计在性能、鲁棒性和广泛可用性方面优于基于模型的方法，特别是 actor-critic 深度确定性策略梯度算法，可用于现有资源分配方案。

Jan, 2019

本文研究了基于模型驱动的电力分配算法在具有干扰多接入信道（IMAC）的无线蜂窝网络中的应用。通过深度强化学习（DRL）的两步训练框架，采用深度 Q 网络（DQN）和深度 Q 学习算法（DQL）从离线学习中获得指定数据集，而对于在线学习过程中的真实数据来说，DQN 可进一步微调。这种方法比现有的 DQL 训练方法更好，具有很好的推广能力。

Dec, 2018

本文探讨在分布式多输入多输出网络中，通过神经网络进行最大功率最小化公平性控制，发现 AI 技术对抗性攻击的风险高于传统攻击，并提出了智能防御技术。

Jan, 2023

本文研究深度学习在下行多用户多天线系统中优化波束成形向量的方法，结合总功率预算作为副信息，使用深度神经网络优化较传统方法更为高效。

Jul, 2020

本文主要研究深度学习在无线系统应用中的安全问题，重点探讨了对回归问题的攻击和防御机制，研究对象为多个输入输出系统下行链路的功率分配问题，从白盒和黑盒的攻击角度构建了对抗性扰动攻击，进一步分析了深度神经网络的鲁棒性以及通过对抗训练提高深度学习模型的对抗性能。

Jun, 2022

本文提出了一种基于深度强化学习的下行功率分配方案，旨在最大化总网络吞吐量，该方案与传统的功率分配方案相比表现更好，在多小区场景中，通过深度 Q 学习方法实现近似最优功率分配策略，使用遗传算法作为基准来获得近似最优功率分配解。

Apr, 2019

本文介绍了一种基于深度神经网络的无监督学习框架，以解决多用户干扰信道中的功率控制问题，该问题的目标是在用户的最低数据速率或 QoS 要求和功率预算限制下最大化网络总速率，并使用两个新的深度学习（DL）解决方案：DIPNet 和 DEPNet，这些解决方案不仅可以提高可达数据速率，而且可以实现零约束违规概率。

May, 2023

本文提出了一种新颖的深度学习架构，结合了 MU-MIMO FDD 系统中频道采集和预编码过程，使用 DNN 单元进行端到端的训练，并展示了与传统技术和其他 DNN 方案相比的有效性。

Sep, 2022