通过机器学习在闪电网络中进行通道平衡插值
比特币闪电网络是一个用于便捷且廉价的比特币交易的二层协议,通过建立用户之间的通道,在通道关闭之前将比特币锁定并进行链外交易,只有初始和最终交易被记录在区块链上。本文分析了闪电网络的图结构,并通过机器学习,特别是图神经网络,研究了节点属性之间的统计关系。我们提出了一系列任务来探索这些关系,并为 GNN 架构提供了基准,展示了拓扑和邻居信息如何提高性能。我们评估了几个模型,揭示了 GNN 在这些任务中的有效性,并强调了它们的应用所获得的洞见。
Jul, 2024
本文研究了利用机器学习,特别是神经网络方法来进行无线通信信道估计问题,并且针对正交频分复用信号的下行场景,采用一个通用的残差卷积神经网络进行了实现,且利用简单的插值层来替换其他网络中的转置卷积层,减少了计算成本。与其他深度学习方法相比,对于 3GPP 信道模型,我们提出的方法表现出更优的均方误差性能。
Jan, 2022
比特币价格的预测引起了在金融市场和投资策略上的关注,本研究提出了一个关于混合机器学习算法在提高模型可解释性方面的比较研究。通过实证实验,我们发现线性回归模型在候选模型中表现最好。对于模型的解释性,我们对时间序列统计的预处理技术进行系统概述,包括分解、自相关函数、指数三重预测等,旨在挖掘金融时间序列中的潜在关系和复杂模式。我们相信这项工作将在时间序列分析及其实际应用领域引起更多关注,激发更多的研究。
Dec, 2023
本文研究了多天线基站和用户设备中的普遍硬件损坏对上行性能的影响,提出了一种基于深度神经网络的解决方案来估计有效通道。该方法利用了失真特征,比 LMMSE 方法的噪声估计质量更高。
Aug, 2022
本文提出了利用物理层认证技术和机器学习对无线网络环境实现强认证的方法,分析了接收到的无线信道状态信息,通过生成对抗性神经网络 (GAN) 来验证传输设备,其中使用局部离群点因子 (LOF) 算法在低信噪比下达到了 100% 的准确率。
Jun, 2020
本文研究以太坊网络的气体费用动态,比较多种基于深度学习的预测方法的表现,并提出了一种新的矩阵记录的预处理方法,这可以帮助网络用户做出明智的气体费用选择,以及确定提交交易的最佳时间窗口。
May, 2023
本文提出了一种采用逆向强化学习方法来解决通信负载平衡问题的方案,并通过从一组演示中推断出奖励函数和学习负载平衡策略的方法,取得了在真实场景中更适用和更具一般性的效果。实验表明所提出的方案优于其他基线方法。
Mar, 2023
本文研究了非线性硬件失真对单小区 massive MIMO 的上行传输性能的联合影响,并提出了使用深度学习方法估计基站天线的有效通道和失真方差,在高阶非线性下取得更好的性能表现。
Nov, 2019
本文旨在提高毫米波通信中有限射频 (RF) 链路下的通道估计。通过利用学习过程探测的近似传递 (LDAMP) 网络,可以学习信道结构和从大量的训练数据中估计信道。该文章结合了分析和仿真结果,表明即使接收机装备较少的 RF 链路数,LDAMP 神经网络也可以显著优于现有的压缩感知算法,从而进一步证明深度学习在毫米波通信中可以成为强有力的工具。
Feb, 2018
利用浅层双向 LSTM 模型和特征工程方法对比特币价格进行预测,并显示在使用所提出的特征工程方法时,浅层深度神经网络优于其他流行的价格预测模型。
Oct, 2023