本文介绍了使用联邦深度强化学习方法，在部分有限的信道状态信息下，协调无线网络中的基站以快速搜索 THz 波束赋形策略，并在一定程度上缓解干扰的方法，该方法在已有的较传统的优化方法上表现更好。

Apr, 2023

本文研究了采用低复杂度基于真实时间延迟的束变形消除方案和新颖的变体 OMP 算法来解决 THz 通信中基站天线阵列传播延迟超过符号周期时空响应变化和通道估计问题的宽带 massive MIMO 中混合组合问题，并与标准窄带组合和基于 OMP 的通道估计进行了实验比较。

Feb, 2021

在本研究中，我们提出了一种新型的异构混合 MIMO 接收器结构（$ m {H}^2$AD-FD），并开发了相应的多模态学习框架，旨在提高到达角（DOA）估计的准确性并降低聚类复杂度。实验结果表明，我们提出的四种方法在信噪比（SNR）> 0 dB 时可以接近克拉美洛下限（CRLB），其中 CoMDDL 和 MDDL 的性能优于 CoMD-RootMUSIC 和 MD-RootMUSIC，尤其在极低 SNR 区域。

Apr, 2024

提出了一种基于多模态机器学习的方法，利用无线通信环境中收集到的位置和视觉数据快速预测光束方向，实现了超过 75％ 的准确度和近乎 100％ 的前 3 名光束预测准确度。

Nov, 2021

本文提出了一种新的分层波束训练方案，采用动态训练层数的方式来优化多跳太赫兹链路的性能，该方案在存在未知通道状态信息、噪声和路径损耗的情况下，通过基于多臂赌博机 (MAB) 的强化学习解决方案进行求解，模拟结果表明，相较于传统的层次式波束训练方案，该方案可以获得高达 75% 的谱效率表现提升。

Feb, 2021

使用固定预算多臂赌博框架开发了一种学习算法，通过初始值探索指定波束 forming 的相移参数及最大程度地增强接收器的接收信号强度，该算法在广泛的模拟中表现出优于现有算法的性能。

Dec, 2023

在分布式大规模多输入多输出 (MIMO) 架构中，我们考虑了试点辅助的上行信道估计问题，其中接入点通过光纤前传链路将接收到的模拟射频信号的两级量化版本连接到中央处理单元。我们在该架构中采用了由 Nguyen 等人 (2023) 最近提出的基于深度学习的信道估计算法，并探索该算法对接入点中的自动增益控制器 (AGCs) 和比较器引入的附加信号失真 (1 比特量化之外的失真) 的鲁棒性。这些组件用于从接收信号生成两级模拟波形。通过模拟结果，我们表明所提出的信道估计方法明显优于 Bussgang 线性最小均方误差信道估计器，并且对于由 AGCs 和比较器引入的附加损坏具有鲁棒性。

Jun, 2024

本文介绍了一种基于联邦学习的混合波束赋形框架，利用卷积神经网络，通过收集用户的梯度来训练基站的模型，从而在减少数据集传输量和保证隐私的前提下，实现了在信道数据中实现模拟波束赋形，数值模拟表明这种方法具有比集中式机器学习更好的容错性和较小的传输开销。

May, 2020

在这项研究中，我们针对多路径 fading 信道进行了联合边缘学习的研究，通过引入一种创新的数字过空中计算策略，采用 q 进制正交幅度调制，提出了一种低时延通信方案。我们分析了消除无线通信中的 fading 所需的天线数量，并通过数值实验证实了理论的保证，证明了边缘服务器增加天线数量和采用高阶调制可以提高模型准确性达到 60％。

Nov, 2023

本文提出了一种基于聚类的两层联邦学习算法，使用可扩展的聚类无线聚合方案实现算法的上行传输，使用适用于带宽受限的广播方案进行下行传输，展示了在干扰环境下该方法的高精度学习表现并导出该方法的收敛界。

Nov, 2022