这篇文章提出了一种全面的 MAC 层方法，通过智能用户关联和资源分配，灵活的适应性移动管理以及阻塞最小化等功能来实现系统的最大可靠性。

Aug, 2022

提出了基于强化学习的闭环访问控制方案，通过近实时的无线接入网络智能控制器与环境的持续交互来确定强化学习策略，以实现对 Open Radio Access Network 中大规模访问请求的高效控制和管理，同时还提出了数据驱动的深度强化学习辅助方案，可用于处理连续和高维状态、动作空间的高度复杂的环境。

Mar, 2023

论文研究了无源随机接入（U-RA）问题，通过利用大规模 MIMO 基站和协方差恢复算法实现高频谱效率，但也存在复杂度问题。

Nov, 2019

我们提出了一个多智能体深度强化学习（MADRL）框架，用于训练低轨道卫星网络的下行多用户接入协议。通过改进现有学习的协议 eRACH，我们的方法 Ce2RACH 可以通过在 MADRL 训练过程中联合学习额外的信令消息来减轻卫星之间的干扰。仿真结果表明，与 eRACH 相比，Ce2RACH 的网络吞吐量提高了 36.65％，而信令消息的成本与用户数量呈线性增长。

Feb, 2024

本篇论文旨在回顾控制 LTE/LTE-A 网络中的大规模机器类型通信 (Massive Machine-Type Communications，MTC) 设备的随机接入的现状和最新提案，提出一种碰撞解决方案的随机接入模型来解决泊松分布访问竞争问题，并相比于标准的基于分时 Aloha 协议的模型，在整体访问成功率和功率效率上取得了显著改进。

Aug, 2016

本文利用监督式机器学习模型来解决非正交前导序列设计条件下的用户活动检测问题，并介绍了一个针对 GF-RA 协议下的无线电波多输入多输出（CF-mMIMO）网络的数据驱动算法和新颖的聚类策略，模拟实验结果显示算法在真实场景中具有 99% 的准确率。

Jun, 2024

本文研究了在连接 RRH 到 CU 的 fronthaul 线路容量限制条件下，随机接入和主动 UE 识别在系统参数变化时采用基于 Bayesian 稀疏检测的量化转发与集中式检测的标准 C-RAN 方法和启用本地检测的 CU-RRH 功能分离方案的相对优劣。

Jun, 2016

将人工智能（AI）和机器学习（ML）整合到空中接口中被视为下一代（NextG）蜂窝网络的关键技术之一。在空中接口中，多输入多输出（MIMO）及其变种，如多用户 MIMO（MU-MIMO）和巨大 / 全维 MIMO，在接连几代的蜂窝网络中成为关键的支持者，面对不断演进的复杂性和设计挑战。将 AI/ML 工具应用于解决 MIMO 中的这些挑战成为实现 AI 启用的 NextG 空中接口的关键步骤。在下一代空中接口中，底层的无线环境将极为动态，由 MIMO 操作（如 MU-MIMO 调度和等级 / 链接自适应）在次毫秒级别上进行操作调整。鉴于庞大的操作调整可能性，我们认为在线实时的基于 AI/ML 的方法具有潜在的前景。为此，我们概述了这类在线实时 AI/ML 基于解决方案设计中的固有挑战，并提供了关于这类解决方案在 MIMO 操作中的开发见解。随后，我们提出了一种基于在线实时 AI/ML 的 MIMO-OFDM 信道估计方法，作为在 NextG 中开发类似技术的潜在路线图。

Mar, 2024

通过在网络边缘部署机器学习算法，利用数十亿移动设备产生的大量实时数据进行边缘学习，从而训练出能够实现智能移动应用的 AI 模型。本研究提出了一种名为数据重要性感知自动重传请求（importance ARQ）的重传协议，旨在实现无线数据采集的可靠性和对加速模型收敛有助益的数据量的平衡利用。通过在经典分类器模型和卷积神经网络模型上的实验结果验证了该协议的有效性。

Dec, 2018

本文讨论了使用超级前导码的无授权随机接入技术在大规模 MIMO 系统中的应用，该方法通过设计特定的前导码来提高 UE 检测和信道估计的成功率，从而提高信道复用效率。

Sep, 2018