本文提出了一种顺序探测方法，用于允许中央认知无线电网络（CRN）在设计的主用户（PU）保护规范下访问主用户（PU）的频带，并用二进制 ACK / NACK 数据包来学习 PU 干扰约束，我们在 Active Learning (AL) 框架内研究了这个受限设计问题，并提出采用 Expectation Propagation（EP）方法的最优解，并通过数值模拟来演示该解决方案的性能。

Oct, 2017

用空中计算框架由高空平台和无人机组成，解决通过上行非正交多址接入连接的移动用户的任务完全卸载问题，通过调整无人机轨迹和资源分配来最小化用户的数据时延，使用多智能体深确定策略梯度和联邦强化学习两种方法优化求解，显示任务调度显著降低了数据时延。

May, 2023

本研究旨在针对移动干扰器存在的情况下，寻找多个航空无人机与地面基站的连通性且避开碰撞的路径。我们提出了一种利用离线时间差异学习算法和在线信噪比映射解决该问题的方案。结果表明，在没有干扰器信息的情况下，我们提出的算法可以高效地避免碰撞并实现实时的多无人机导航任务。

Apr, 2021

一种用于 UAV 辅助网络的新型自监督路径规划方法，通过离线解决训练示例并使用解决方案作为演示来让 UAV 学习世界模型从而理解环境，并隐含地发现优化器的策略。具备世界模型的 UAV 可以进行实时自主决策和在线规划，通过对预期惊喜进行评分，可以选择最优策略。此方法比传统的 RL 更快适应新情境且性能更好，从而具备更广泛的泛化能力。

Mar, 2024

本文介绍了活跃推理的理论，并利用深度学习的最新进展，构建能够处理高维传感器数据并进行主动推理的复杂生成模型，这是深度主动推理在真实世界机器人导航任务中的首次应用。

Mar, 2020

本文提出了一种面向车联网的信息时代感知传输功率和资源块分配技术，利用高斯过程回归方法实现在线无中央控制机制的网络动态学习，实时预测未来 AoI，最小化 AoI 超过阈值的概率，并取得了 50% 以上的效果提升。

Nov, 2019

本文提出了一种新型的主动推理控制器 (AIC)，它是一种适用于工业机器人的自适应控制方案，能够应对大型模型不确定性，同时还能在大型未建模动态的情况下保持高性能。该方法基于主动推理，从控制角度推导出的模型无关的控制定律，能够比目前最先进的模型参考自适应控制器 (MRAC) 更好地适应性，提供了一种更为通用的控制定律，这证实了主动推理对机器人控制的相关性。

Sep, 2019

通过比较 Sophisticated Inference（SI）算法和贝叶斯强化学习（RL）方案的性能，并扩展 Sophisticated Inference（SL）算法以更好地在规划中引入主动学习，本研究支持 Active Inference 方法在解决生物相关问题中的实用性，并提供了测试人类认知假设的额外工具。

Aug, 2023

本文介绍了一个基于 5G 协议栈中信号参数的匿名干扰检测模型，该系统通过监督学习和无监督学习实时高精度地检测干扰，包括未知类型干扰。监督模型的 AUC 为 0.964 至 1，相比之下，LSTM 模型的 AUC 为 0.923 至 1。然而，需要数据标注限制了监督方法的应用。为解决这个问题，本文提出了一种无监督的基于自编码器的异常检测方法，其 AUC 为 0.987。该方法对抗对抗性训练样本具有抵抗性。为了提高透明度和领域知识注入，还引入了基于贝叶斯网络的因果分析。

Nov, 2023

通过学习的基于马尔可夫事件的新颖框架，利用无人机作为飞行基站，预测 IoT 设备的流量到达并优化多个无人机的轨迹和调度策略，最终通过深度强化学习方法改进传输性能。

Jan, 2024