本文研究了如何在车联网中实现预测服务质量（PQoS）的目标，通过强化学习代理设计来实现 PQoS。通过中心化，完全分布式和联邦学习等不同的学习方案，我们证明了去中心化学习和尤其是联邦学习在收敛时间和可靠性之间具有良好的权衡，这对隐私和复杂性方面具有积极的影响，并且在低延迟和可靠性的限制下确定了发送车载数据的最佳压缩级别。

Feb, 2023

本文介绍了一种基于深度神经网络的无监督学习框架，以解决多用户干扰信道中的功率控制问题，该问题的目标是在用户的最低数据速率或 QoS 要求和功率预算限制下最大化网络总速率，并使用两个新的深度学习（DL）解决方案：DIPNet 和 DEPNet，这些解决方案不仅可以提高可达数据速率，而且可以实现零约束违规概率。

May, 2023

提出了一种新颖的深度学习框架 R2SL，通过提取两种不同的区域网络潜在状态 (城市网络潜在状态和自治系统网络潜在状态)，利用共同区域的汇总数据而不是个体对象数据来预测网络服务质量 (QoS)，并使用增强的 Huber 损失函数来解决常见的标签不平衡问题，最终通过多尺度感知网络实现区域网络潜在特征与其他相关信息的融合预测，实验结果表明 R2SL 方法在真实 QoS 数据集上显示出优越的性能，充分利用对象间的区域网络相似性为精确的 QoS 预测开辟了一条创新途径。

Oct, 2023

DISTINQT 是一个隐私感知的分布式学习框架，用于 QoS 预测，在多个异构节点之间共享计算，并通过将原始输入数据编码为非线性潜在表示来贡献于数据隐私保护。在 Tele-Operated Driving 应用场景，我们的框架相比于集中化版本有相同的性能，并在六个最先进的集中式基准解决方案上平均性能提升了 65％。

Jan, 2024

本文提出了一种基于深度学习的资源分配策略，通过优化带宽和传输功率来最小化基站的总功耗，并使用级联结构的神经网络和深度迁移学习来应对无线网络中的非平稳性。实验结果表明，相对于全连接神经网络，在 QoS 保证方面，级联神经网络的性能更好。

Mar, 2020

本文提出了一个基于强化学习的 PQoS 功能设计，重点是学习代理的奖励函数设计及将 QoS 估计转换为适当的对策，实现了在受控驾驶场景下最佳 QoS 和 QoE 性能。

Feb, 2022

本研究提出了一种可以按任意讲话者数量、噪声类型和语音信噪比水平进行横向扩展的 MS-SNSD 有噪语音数据集，在这个基础上，研究者们推出了开源的评估方法，通过客观质量衡量标准和主观意见评分相互印证提升了 语音增强算法的性能。

Sep, 2019

本文介绍了一种通用的框架，用于在没有监督的情况下对深度网络进行端对端训练，通过固定一组目标表示并约束其深度特征对齐到这些表示来达到目的，同时采用了随机批量重新分配策略和可分离的平方损失函数来缓解标准无监督学习中的一些问题，并且在 ImageNet 和 Pascal VOC 上能够实现与最先进的无监督方法相媲美的表现。

Apr, 2017

本文提出了一种使用单个神经网络执行物体检测、运动预测和运动规划的深度结构自驾网（DSDNet），该网络采用深度结构能量模型考虑演员之间的交互，能够生成社交一致性的多模态未来预测，从而规划出安全操纵计划。实验结果表明，该模型显著优于现有技术。

Aug, 2020

使用机器学习技术为网络服务提供商提供了一种实用的框架，可以评估和预测用户对服务的满意度，从而通过实时动态分配网络资源来降低成本并提高客户满意度。

Jun, 2024