本文介绍了一种用于机器学习路径损耗预测的新型增强数据方法，通过将合成数据与真实数据相结合，显著改善了模型在不同环境中的泛化能力，取得了可观的均方误差改进。
Feb, 2024
通过利用接收信号强度数据并利用环境的几何结构联合构建无线电地图和虚拟环境，该论文提出了一种机器学习方法，用于快速构建 5G 及以后无线通信系统的信道模型。实验证明，该模型在重建 3D 虚拟环境方面表现出色，并在无线电地图构建方面优于现有方法，准确性提高了 10%-18%。同时，该模型在转移到新环境时可以减少 20% 的数据和 50% 的训练时期。
Mar, 2024
使用基于 Transformer 的神经网络架构，从不同维度的地图和稀疏测量中预测链路级属性，而不需要离散化，这种方法可以高效地学习稀疏训练数据中的主要路径损耗，并在新的地图上具有良好的泛化能力。
Oct, 2023
基于 ML 的 PMNet 通过使用有限的 RT（或信道测量）数据和地图数据进行训练，可以在几毫秒内高精度地预测位置上的路径损耗，并通过使用迁移学习在快速和高效的情况下学习新的网络场景。
Dec, 2023
利用机器学习方法对 5G 网络系统中的路径损耗进行预测，以实现更精确的网络规划、资源优化和性能改进。
本文提出了一种高效准确的深度学习方法，名为 RadioUNet，用于估算从一个点 $x$（发射器位置）到平面域上任意点 $y$ 的传播路损。该方法能够学习如何在城市环境下准确地估算路损函数，并且能够在实时应用中快速计算结果。实验结果表明，相对于先前提出的方法，我们的方法具有明显的优势。
Nov, 2019
通过分析射频（RF）数据，本文提出了一种利用环境无线信号对室外环境进行重建的新方法，通过选定的深度学习技术在合成射频数据集 WAIR-D 上进行研究，评估了两种基于深度学习的方法，在性能评估中使用了交集 - 并集（IoU），豪斯多夫距离和切菲尔德距离等指标，结果显示基于射频的重建方法具有良好的性能，为轻量级和可扩展的重建解决方案铺平了道路。
近年来，许多研究探讨了深度学习算法在城市通信网络中确定发射器和接收器对之间的大规模信号衰落（也称为 “路损”）的应用。本文通过发布包含真实城市地图和开放数据源的航拍图像的模拟路损无线电地图公共数据集，进行了关于模型架构、输入特征设计以及从航拍图像估计路损地图的初步实验，并提供了相关代码。
Jan, 2024
本文探讨利用 LiDAR 获取的三维点云数据进行毫米波通信中的链路质量预测，该方法将替代传统基于图像的方式并且可避免隐私泄露。通过实验验证，该方法证明了在存在人体阻挡时，点云数据可以有效预测毫米波信号强度的大幅度丢失。
Jan, 2023
使用基于张量的新型方法可以非参数化地精确估计毫米波信道，即使没有明亮反射成分，进而利用漫反射路径定位和映射，解决了传统方法在角度或时延差异很大的情况下，导致的偏差问题。
Dec, 2019