提出了一种无监督学习辅助的新的频谱分配策略，其中考虑了自适应子带宽，能够将感兴趣的频谱划分为带宽不均的子带，减少了用户之间分子吸收损耗的差异，进而提高数据传输速率性能。在该策略中，首先提出了一个优化问题以确定最佳子带宽度和发射功率，然后提出了无监督学习方法以获得该问题的接近最优解。结果表明，相对于现有方法，我们提出的无监督学习方法可以获得更高的数据传输速率，尤其是在感兴趣的频谱内分子吸收系数变化非常非线性的情况下。

Aug, 2022

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

本文提出了一个学习框架来优化无线网络的频谱和功率分配，使用两种分别针对离散和连续变量的强化学习算法来同时执行和训练，模拟结果表明该方案优于基于分数规划的算法和以往基于深度强化学习的解决方案。

Dec, 2020

本文提出了一种基于在线学习和机器学习的频段切换方案，利用 UE 位置信息和不同频段射线数据集来实现无需测量间隙的频段切换，达到约 30% 提高的速率和低于 0.5% 的误差率。

Oct, 2019

通过对运行速度缓慢的密集部署的小型基站进行交互用户关联和频谱分配来开发可扩展的框架，以满足给定的流量统计需求。通过将频谱划分给所有可能的主动访问点 (AP) 的传输模式来首先将联合用户关联和频谱分配表述为凸优化问题。

Jan, 2017

研究单跳自组织无线网络中最优功率分配问题，使用基于图神经网络的混合神经体系结构，提出了一种展开 WMMSE 算法（UWMMSE），它的可学习权重通过多个功率分配问题的基于梯度的下降方法来训练，达到可比较 WMMSE 的性能并显著降低计算复杂度，数值实验说明了该现象。

Nov, 2020

基于深度 Q 学习架构的多用户 MIMO 系统中的频率调度问题的调度器，使用分支行动方式实现子频段之间的并发传输，优化全局收益并满足实时系统的短推理时间要求。

Jun, 2024

该研究探讨了分布式学习在无线网络中的通信方面，使用基于共识的分布式随机梯度下降法（D-SGD）。为了实现算法的快速收敛性，我们提出了一种名为 BASS 的高效通信框架，其中利用广播传输和概率子图抽样，在每次迭代中激活多个无干扰节点的子集将模型更新广播给它们的邻居。与现有的基于链路调度方法相比，在无线信道的广播特性下，利用相同数量的传输时间槽创建更多的通信链路能够加快分布式学习的收敛速度。

Oct, 2023

本文提出了一个基于深度学习的带宽分配策略，该策略具有可扩展性和适用性，通过图神经网络表示带宽分配策略，使用混合任务元学习算法进行训练，通过模拟结果验证了方法的有效性和性能优势。

Dec, 2023

本研究考虑了一种基于无线边缘网络的多对一联合学习架构，并提出了基于 SGD 的带限制坐标下降算法以适应无线通信资源。研究者还通过联合优化功率分配和学习速率以减少通信误差，并发现跨不同子载波的最佳功率分配应同时考虑梯度值和信道条件。最后，他们提出了一些可行的分布式解决方案来对该问题进行优化。

Feb, 2021