该论文提出了一种基于图卷积网络的分布式最大权独立集求解器，通过学习拓扑感知节点嵌入和网络权重相结合，并调用贪心算法，即使在小型至中型无线网络中，浅层的基于 GCN 的 MWIS 调度器也可以利用图的拓扑信息将分布式贪心求解器的次优误差减半，在保持图形一般性的同时，增加的计算复杂性很小。

Nov, 2020

本文提出了一种基于图嵌入的设备对设备网络链路调度方法，利用机器学习技术取代传统的数学优化技术，从而减少计算复杂度，增加可扩展性，并且在大规模的场景中仍具有良好的通用性，且只需少量的训练样本就可实现接近最优的表现。

Jun, 2019

利用 Lyapunov 优化方法，最大化实现长期平均通信链路数目，以优化功率控制，改善图神经网络在资源受限的无线系统中的学习性能。

May, 2024

本篇研究论文讨论如何使用深度学习方法，通过利用发射机和接收机之间的地理位置，不需要通道估计，对干扰链路的优化调度算法，提出了一种新的神经网络结构。并针对现有的基于模型的方法提出了相对公正的基于比例的调度方法。实际测试表明，该方法可适用于大型网络和不同链路密度的部署，并有效地提高了网络效用。

Aug, 2018

基于迭代计算图优化的高效内存感知调度框架可显著降低网络推理的内存占用，具有更好的可扩展性和计划优化性能。

Aug, 2023

设计了一种图神经网络 (GNN) 来提高多个合法无线用户向基站传输数据时的带宽分配，在存在窃听者的情况下提高隐私性并防止窃听攻击，通过用户调度算法来满足瞬时最小保密率约束，并基于此优化了带宽分配，通过迭代搜索 (IvS)、基于 GNN 的监督学习 (GNN-SL) 和基于 GNN 的无监督学习 (GNN-USL) 三种算法。计算复杂度分析表明 GNN-SL 和 GNN-USL 相对于受带宽块大小限制的 IvS 来说更高效。数值模拟结果表明，我们提出的基于 GNN 的资源分配与 IvS 相比可以实现可比较的总保密率，同时计算复杂度显著降低。此外，我们观察到 GNN 方法在窃听者信道状态信息不确定性方面更为稳健，特别是与最佳信道分配方案相比。

Dec, 2023

该研究旨在提出一种基于深度强化学习和图卷积网络的信道分配方案，使用 GCNs 提取 AP 拓扑结构的特征，进而在竞争图中提高学习速度和控制信道。该方法在模拟实验中表现优于现有方法。

May, 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

通过在基于分布式贪婪框架上引入基于图的机器学习，我们提出了一种低开销、拥塞感知的分布式任务卸载方案，以应对无线多跳网络中来自多个移动设备的任务所造成的潜在网络拥塞问题。在仿真的无线多跳网络中，根据最短路径路由和基于争用的链路调度的资源分配方案，我们的方法在减少拥塞或不稳定队列的同时，提高了本地计算的执行延迟，相比于上下文不可知的基准方案。

Dec, 2023

对于具有部分可观察和时变动力学的大规模无线网络，本文研究了一种面向广义干扰约束的无线网络的高效调度算法，其中平均到达率和平均服务率是未知的和非平稳的。我们提出了一种新颖的算法 MW-UCB 用于广义无线网络调度，它基于最大权重策略，并利用滑动窗口上限置信界来学习通道在非平稳情况下的统计特性。在平均服务率的可变性方面满足较弱的假设条件下，MW-UCB 在吞吐量上是最优的。具体而言，只要平均服务率在任何时间段内的总变化量在时间上增长的次线性，我们表明 MW-UCB 可以实现稳定区域任意靠近拥有完全通道统计信息的策略类的稳定区域。大量模拟验证了我们的理论结果，并展示了 MW-UCB 的良好性能。

Aug, 2023