MMMay, 2021

通过不变风险和因果表示实现稳健的可重构智能表面

PDF
TL;DR研究了鲁棒的可重构智能面（RIS）系统设计问题，并采用不变风险最小化（IRM）的概念，在多个环境中使用不变的因果表示，以使预测器对于每个环境都是同时最优的，结果表明，利用不变性可以提供更加稳健的防范未知环境和分布之外的测试。
reconfigurable intelligent surfaceinvariant risk minimizationneural networkrobustnessout-of-distribution
发现论文，激发创造
  • 通过因果表示进行可重构智能表面联合学习游戏

    本论文提出了一种基于因果关系学习和不变风险最小化的 Reconfigurable Intelligent Surface 相移配置方法，通过多个神经网络模型在不同环境下预测最佳相位值并实现了 15% 的预测精度提升。

    Jun, 2023

  • 不变表示的鲁棒评估

    我们提出了一种用于评估基于不变风险最小化方法的不变性能的新方法，并通过大量的数值研究证明了其有效性。

    Apr, 2024

  • 不变风险最小化的风险

    在此篇文章中，我们首次针对分类下不变风险最小化 (IRM) 目标以及其最近提出的替代方案，采用自然且广泛的模型进行分析。我们发现在线性情况下，存在简单的条件使最优解成功或更常见的是失败，以至于无法恢复最优的不变预测器。此外，我们还展示了非线性部分的首批结果：除非测试数据与训练分布足够相似，否则 IRM 可能会失败，而这正是它要解决的问题。因此，在这种情况下，我们发现 IRM 及其替代方案从根本上没有改进标准经验风险最小化。

    Oct, 2020

  • 不变风险最小化

    介绍了不变风险最小化 (IRM) 的学习模式，通过学习数据表示来估计多个训练分布之间的不变关系，从而实现在所有训练分布上匹配最优分类器，通过理论和实验表明，IRM 学习到的不变性与控制数据的因果结构相关，并能够实现分布外概括。

    Jul, 2019

  • 可重构智能表面：原理和机遇

    本文从物理和通信的角度出发，综述了可重构智能表面（RISs）在无线网络中的应用。针对多天线辅助 RIS 系统，介绍了 RISs 的基本原理和性能评估。另外，从性能分析、信息论和性能优化的角度，系统地调查了现有的 RIS 增强无线网络的设计。此外，对于动态场景中的随机波道波动和用户移动等挑战，阐述了应用机器学习解决这些问题的现有研究成果。最后，确定了 RISs 和其他新兴技术在下一代网络应用中的主要问题和研究机会。

    Jul, 2020

  • 无线网络中多重可重构智能表面的相位配置学习

    本文研究了一种低复杂度的反射智能表面的相位配置算法，利用监督学习的方法构建多层感知神经网络来快速计算反射表面的相位，并通过模拟实验验证了该算法对网络性能提升的有效性。

    Oct, 2020

  • 不变风险最小化的一致性推断

    发展了一种方法来获得无分布预测区域，以描述不同环境下数据的分布差异，应用于机器学习中的无变异风险最小化（IRM）模型，基于加权遵从得分构造自适应遵从区间，并证明其条件平均值在某些条件下，通过模拟实验和实际案例的应用证明方法的有效性。

    May, 2023

  • 利用深度强化学习优化多用户 MISO 系统的可重构智能面

    本文研究了利用可重构智能表面 (RIS) 反射阵列所协助的 MIMO 传输，通过深度强化学习 (DRL) 基于试错交互获得基站传输波束和 RIS 相位移位的联合设计。仿真结果表明，该算法学习能力逐渐提高，与两个最新的基准算法相比表现相当。

    Feb, 2020

  • 持续不变风险最小化

    基于变分贝叶斯和双层架构的不变风险最小化方法，通过使用交替方向乘子变异的优化问题求解策略，在多个数据集和多个逐次环境中表现优于先前的方法。

    Oct, 2023

  • 可重构智能平面下的 MIMO 传输：系统设计、分析和实现

    本文提出了一种可重构智能表面 (RIS) 架构，以实现幅度和相位变化调制，从而方便多输入多输出（MIMO）正交振幅调制（QAM）传输。

    Dec, 2019