Mar, 2024

基于 RIS 的城市空中交通分布式学习拓扑控制

PDF
TL;DR本文通过利用可重构智能表面（RIS）的拓扑属性来促进学习性能并获得收敛保证，探索了分布式学习的相关问题，并提出了用于优化传输延迟和收敛速度的几个联邦学习拓扑准则。同时，本文还开发了基于深度确定性策略梯度的 RIS 相移控制算法，以同时构建或重构通信网络链接，通过基于 MobileNet 的多视角学习进行了仿真实验，验证了分布式 FL 框架的效率。
urban air mobilityfederated learningcollaborative learningreconfigurable intelligent surfacesdistributed learning
发现论文，激发创造
  • 可重构智能表面支持联邦学习：一种统一的通信 - 学习设计方法

    本研究融合可重构智能表面技术，通过优化设备选择、空中计算设计和表面配置，解决了基于空中计算的联邦学习存在的瓶颈问题，取得了显著的学习准确度提升。

    Nov, 2020

  • 基于人工智能的无人车辅助可重构智能表面：部署、原型制作、实验与机遇

    本文提供了 RIS 在 6G 技术中的部署及其与人工智能和机器学习的利用的基础知识，并通过智能部署的 RIS 原型实验验证了其在增强系统吞吐量方面的性能优势和快速部署能力。

    Nov, 2023

  • 机器学习增强的无人机反射表面轨迹与无源波束成形设计

    提出一种新的框架，通过在无人机网中部署 RIS 进行服务质量的提升，采用非正交多址技术进一步提高网络的频谱效率，设计深度 Q - 网络算法来解决能源消耗最小化问题。

    Oct, 2020

  • 通过因果表示进行可重构智能表面联合学习游戏

    本论文提出了一种基于因果关系学习和不变风险最小化的 Reconfigurable Intelligent Surface 相移配置方法，通过多个神经网络模型在不同环境下预测最佳相位值并实现了 15% 的预测精度提升。

    Jun, 2023

  • 利用李亚普诺夫驱动的深度强化学习技术， 利用可重构智能表面增强边缘推理

    本文提供面向 6G 网络中可重构智能表面（RIS）的边缘智能算法，结合了 Lyapunov 随机优化和深度加强学习，以实现能耗、时延和推理准确度的最佳平衡。

    May, 2023

  • 无线网络中多重可重构智能表面的相位配置学习

    本文研究了一种低复杂度的反射智能表面的相位配置算法，利用监督学习的方法构建多层感知神经网络来快速计算反射表面的相位，并通过模拟实验验证了该算法对网络性能提升的有效性。

    Oct, 2020

  • 利用深度强化学习优化多用户 MISO 系统的可重构智能面

    本文研究了利用可重构智能表面 (RIS) 反射阵列所协助的 MIMO 传输，通过深度强化学习 (DRL) 基于试错交互获得基站传输波束和 RIS 相位移位的联合设计。仿真结果表明，该算法学习能力逐渐提高，与两个最新的基准算法相比表现相当。

    Feb, 2020

  • 用于 B5G 网络的元表面 AI 辅助 RIS 规划的实用性解锁

    该论文介绍了可重构智能表面（RIS）的应用，重点在于解决无覆盖区域的问题，并提出了一种基于深度强化学习的解决方案，名为 D-RISA，通过该方案能够实现最优的 RIS 部署。在法国雷恩火车站的室内场景中验证了该框架，与现有方法相比，该框架展示了更好的覆盖，即最小信噪比提高 10 dB，计算时间更短（高达 25％），并提高了对更密集网络部署的可扩展性。

    Oct, 2023

  • 可重构智能表面辅助无线联邦学习：平衡准确性和完整性

    本研究提出了一种新颖的框架，使用可重构智能表面（RIS）进行联合优化，解决了无线联邦学习（AirFl）中本地模型可靠性保持以及全局精度之间的权衡问题。该框架利用波束成形器和 CSI 信息通过联合优化解决了该问题。在实验中，该框架在仍能保持本地模型可靠性的情况下实现了与理想 FL 相当的准确性。

    Jul, 2022

  • 基于数字孪生的可重构智能表面辅助、上行、以用户为中心的无线蜂窝系统管理学习

    提出了一种新的可重构智能表面（RIS）辅助、用户为中心的无线接入系统，通过数字孪生管理。该文档设计了一个新的学习框架，通过联合优化接入点和用户关联、功率控制和 RIS 波束成形来最大化总和速率，以提高 UCCF 系统的性能，此框架优于其他方法。

    Feb, 2023