本文提出了一种针对多设备分裂推理系统的任务导向的空中计算（AirComp）方案，旨在最大限度地减少聚合误差并最大化推理准确性。

Nov, 2022

提出了一种任务导向的多设备人工智能系统的空中计算方案，其中包括边缘设备合作与边缘服务器完成无线网络上的推理任务，通过最小配对判别增益测量推理准确性，同时优化特征元素的最小判别增益和传输功率分配以提升推理性能。

Jul, 2024

本论文阐述了在深度神经网络方面的云端和边缘协作推断在量化方面的优势，提出了一种基于自动调谐的神经网络量化框架，利用 ImageNet 数据集进行了混合精度合作推理的有效性研究，实验结果显示，该框架可以生成合理的网络分割，并减小移动设备上的存储消耗，同时能够保持较高的准确率。

Dec, 2018

本文研究了云和边缘处理的联合设计，主要集中在设计优化 FRAN（Fog Radio Access Network）中的缓存管理和前传设计等核心问题，以最大化传输速率。

Jan, 2016

提出了一种基于超过空气计算的方法，探索了无线多接入通道的叠加属性，用于边缘机器学习中的快速全局模型聚合。

Dec, 2018

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

在本文中，我们考虑了一种联合设备选择和聚合波束成形设计的问题，目标是最小化聚合误差和最大化选择的设备数量，提出了一种基于随机采样的聚合波束成形方案，并使用渐近分析研究了当设备数量增多时，聚合误差和选择的设备数量。通过大量的模拟结果证明了提出的随机聚合波束成形方案和改进方法的有效性。

Feb, 2024

本文介绍了一种名为 CECIL 的云端协同学习算法，利用深度神经网络优化 Fog 无线接入网络（FRAN）中的云端和边缘计算，以及前传接口。通过将云和边缘计算纳入联合优化框架，以及使用中央计算和分布式决策，并使用上下行前传协调来实现端到端的训练和去中心化的实时推断。

Mar, 2021

本文研究了基于深度学习的 C-RAN 系统优化问题，提出了通过构建 DNN 模型来解决复杂的协作波束成型和前程量化问题，并验证了该方法的有效性。

Jul, 2021

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