本文提出了一种新的深度学习模型，通过学习环境无关的特征，并结合特定环境中的特征，基于多个环境的元学习方案来提高无线定位的精度和泛化性能。在新环境下使用该元学习模型初始化能够有效地进行转移学习，从而提高用户设备的定位精度。

Oct, 2022

通过利用深度学习技术，该研究论文提出了一种新颖的模型结构，其中包括两个部分，第一部分旨在识别与环境无关的特征，而第二部分将这些特征与特定的环境结合起来以实现定位目标。该文研究发现，采用多环境元学习方法可以显著提高在新目标环境中用户设备定位的准确性及其不确定性估计的可靠性，且优于传统的迁移学习方法。

May, 2024

FeMLoc 是一个联邦元学习框架，专注于室内定位领域，通过在众多边缘设备的不同定位数据集上进行协同元训练，以及在新环境中的快速自适应，实现了较传统神经网络方法更准确、更快速的室内定位，同时大大减少了指纹数据收集和校准的工作量，具备适应新兴无线通信技术推动的大规模连接的可扩展性，还具备隐私保护的元学习特征。

May, 2024

利用机器学习算法和无线技术实现基于接收信号强度指示器 (RSSI) 的室内定位，通过测试不同的机器学习模型和无线技术，评估室内环境下的定位精度和稳定性。

Feb, 2024

利用一种数据高效的元学习算法，本文提出了一种创新的室内定位方法，解决了指纹定位在数据获取成本高和基于静态数据库估计的不准确性方面的问题。使用历史定位任务改善适应性和学习效率，在动态室内环境中采用 “学习如何学习” 的元学习范式。我们引入了任务加权损失函数来提高这一框架内的知识传递。全面的实验验证了该方法在有限 CSI 数据场景中的稳健性和优越性，平均欧几里得距离提升了 23.13%。

Jan, 2024

本文讨论了在大规模 MIMO 移动通信系统中，利用深度神经网络（DNN）进行基于信道状态信息（CSI）的定位的实际问题，并引入了一种基于特征设计的方法来提高 DNN 的性能，该方法的目标是使特征对于考虑的障碍是不变的。通过在户外校园环境中收集到的地理标记 CSI 数据集上进行实验评估，表明本文所提出的方法具有很高的效率，并可以很好地适用于定位任务。

Mar, 2020

本文研究多用户多输入单输出下行系统中，信号 - 干扰 - 噪声比平衡问题的快速自适应波束成形优化，提出两种基于深度迁移学习和元学习的离线自适应算法以及一种在线算法，以增强算法在真实可变环境中的适应能力，并证明这种方法优于前期研究中的直接深度学习算法。

Nov, 2020

提出了一种模型无关的元学习框架，采用任务自适应的公式将地域异质性数据集合成位置敏感的元任务，使模型适应大量异质性任务，并在实际社会应用中处理了空间相关的异质性任务。

Dec, 2022

本文提出了利用物理层认证技术和机器学习对无线网络环境实现强认证的方法，分析了接收到的无线信道状态信息，通过生成对抗性神经网络 (GAN) 来验证传输设备，其中使用局部离群点因子 (LOF) 算法在低信噪比下达到了 100% 的准确率。

Jun, 2020

本文提出一种结合深度迁移学习和元学习的算法，以预测频分双工大规模多输入多输出系统下行信道状态信息 (CSI)。模拟结果表明，该算法在新环境中具有更好的表现，且元学习算法比直接迁移算法具有更高的预测准确性和稳定性。

Dec, 2019