Mar, 2021

基于高斯过程的数据驱动无线通信的最新进展：综述

PDF
TL;DR该研究论文回顾了一种非参数贝叶斯机器学习方法 - 高斯过程在无线通信中的应用，并介绍了它在可扩展性、可解释性和不确定性建模方面的优势。通过多种可解释的内核设计，描述了高斯过程模型以及其在无线通信系统中的应用，特别是在大规模分布式网络中的应用。
data-driven communication systemsmachine learningwireless communicationgaussian processesdistributed gps
发现论文，激发创造
  • 高斯过程用于非线性信号处理

    本文介绍用高斯过程进行非线性估计问题的解决，讨论了其中的一些重要方面和扩展，包括递归和自适应算法处理非平稳、低复杂度解决方案、非高斯噪声模型和分类场景，最后提供了几个无线数字通信的应用实例。

    Mar, 2013

  • 通过概率机器学习降低无线通信的环境影响

    机器学习方法在通信问题中被越来越广泛地采用，尤其是在下一代无线设置中。通过使用贝叶斯参数调整和时空高斯过程代理建模，我们能够降低现有硬件的能耗并改善网络性能，同时减少下一代混合波束赋形系统的开销，从而大大提高网络的能效和针对高移动用户的目标能力。贝叶斯范式本身对于能源使用也是有帮助的，因为训练一个贝叶斯优化模型所需的计算要比训练深度神经网络要少得多。

    Sep, 2023

  • 当高斯过程遇到大数据：可扩展高斯过程综述

    本文回顾和分析了当前流行的可扩展高斯过程回归模型的局部和全局逼近方法，主要包括稀疏逼近、混合专家模型和产品专家模型，并探讨了这些模型在数据规模大的情况下的应用前景。

    Jul, 2018

  • 图卷积高斯过程

    提出了一种新的贝叶斯非参数方法，以在非欧几里德域上学习平移不变的关系。 该方法可应用于机器学习问题，其中输入观测值是具有普通图形域的函数。 并将图卷积高斯过程应用于图像和三角形网格等领域，表明了其多功能性和有效性，与现有方法相比具有优势，尽管是相对简单的模型。

    May, 2019

  • 机器学习与大数据的结合：无线通信视角

    本文简要介绍大数据分析和机器学习，并探讨它们在下一代无线网络中的潜在应用。提出了一个统一的大数据辅助的机器学习框架，用于预测移动用户的要求，并利用它来改善社交网络感知无线网络的性能，为了描述该框架的效率，提供了一对智能实际应用作为案例研究，以及为激励未来的研究提供开放式研究机会。

    Jan, 2019

  • 基于高斯过程和低维交互结构的二阶粒子动力学数据驱动模型选择

    本文通过数据驱动的方法，提出了一种基于粒子的模型，使用基于高斯过程的方法来对相互作用的动力学系统进行建模，并利用小型数据集证明了该方法在描述非线性动力学系统方面的有效性。

    Nov, 2023

  • WiGenAI: 无线通信与生成式人工智能的交融：扩散模型的交响乐

    使用生成式人工智能 (generative AI)、扩散模型 (diffusion models) 和去噪扩散概率模型 (DDPM) 研究了其在无线通信系统中的应用，并提出了具有鲁棒性的 AI 原生通信系统的发展方向与开放问题。

    Oct, 2023

  • 一种用于工程回归问题的基于物理知识的高斯过程谱

    通过结合机器学习技术和基于物理推理的方法，本文引入一系列可能的高斯过程模型，以提高基于有限数据的预测模型建立能力。这些方法可以显著减少对数据收集的依赖，并增强模型的可解释性。

    Sep, 2023

  • 可解释的深高斯过程与矩

    提出了一种可解释的 DGPs 模型，通过计算精确矩来近似 DGPs，确定了某些 DGP 分布的重尾性质，并识别了 DGP 的表达能力参数，发现了 DGP 组合的非本地和非平稳相关性，并提供了推导二、三或无限层的有效核的通用方法。

    May, 2019

  • 多区域马尔可夫高斯过程：一种有效方法用于发现多个脑区之间的方向性通信

    该研究将高斯过程（GP）和线性动力系统（LDS）两种统计模型融合，并创建了一个多区域马尔可夫高斯过程（MRM-GP）模型，通过显式地建模频率和相位滞后，实现了在神经记录的潜在空间中频率和相位时延的探索。该模型在时间点上具有线性推理成本，提供了可解释的低维表示，揭示了不同脑区之间的通信方向，并将振荡通信分离为不同的频带。

    Feb, 2024