MMJun, 2024

深度学习中基于联合不确定性注入的鲁棒通信与计算

PDF
TL;DR这篇论文研究了基于深度学习的方法在 6G 通信系统中同时管理传输和计算能力以及资源分配中的不确定性。通过将估计的信道和计算需求映射到优化的资源分配中，通过在 DNN 输出后注入不确定性样本来获得更好的鲁棒性和延迟性能，特别是在高信道和计算不确定性情况下。
6gcommunication systemsdeep learningresource allocationsuncertainty injection
发现论文，激发创造
  • 不确定性注入：一种深度学习方法用于鲁棒优化

    该论文提出了一种不确定性注入范式，用于培训深度学习模型以解决鲁棒优化问题，该模型能够隐含地考虑不确定性并产生统计上健壮的解决方案，而无线通信是存在不确定性的应用领域之一，在多用户 MIMO 下行传输的强鲁棒功率负载和设备到设备网络的强鲁棒功率控制中证明了所提出的训练方案的有效性。

    Feb, 2023

  • 基于深度学习和不确定性量化的自我改进干扰管理

    本论文提出了一种突破性的自我提升的无线通信干扰管理框架，结合深度学习和不确定性量化，以提高整体系统性能。通过利用深度学习模型来预测最佳的干扰管理解决方案，该方法解决了传统基于优化算法的计算挑战。该框架突破性地认识到数据驱动模型的局限性，特别是在训练数据集未能充分代表的情况下。为了克服这些挑战，我们提出了一种不确定性量化方法，并附带了一个资格标准，以评估模型预测的可信度。该框架在模型生成的解决方案和传统算法之间以策略性的方式交替应用，根据量化的不确定性评估预测的可信度。实验结果验证了该框架的有效性，并展示了其在训练数据集未能充分代表的情况下相对于传统深度学习模型的优越性。本研究是在不确定性量化的视角下，利用自我提升的深度学习进行干扰管理的开创性探索。

    Jan, 2024

  • 6G 网络中用于超高可靠性和低延迟通信的深度学习

    本研究论文探讨了如何将数据驱动的深度学习和深度强化学习应用于未来 6G 网络中的 URLLC，构建了一种多层次架构，并采用迁移学习和联合学习等方法来提高网络延迟和可靠性

    Feb, 2020

  • 多任务深度学习中的联合感知与语义通信

    探索利用深度学习技术实现联合感知和通信，并通过引入语义通信进行扩展的论文。通过将编码器和解码器应用于无线信道上的发射机和接收机，实现源编码、信道编码、调制、解调、信道解码和源解码的联合操作。通过多任务学习对这些深度神经网络进行联合训练，在考虑数据和信道特性的基础上，通过引入任务分类器扩展到语义通信，从而在接收信号的标签分类中提高语义集成效果。该研究基于 CIFAR-10 数据集，并考虑加性白高斯噪声（AWGN）和瑞利衰落等信道效应，得出了多任务深度学习在实现高保真联合感知和语义通信方面的有效性。

    Nov, 2023

  • 深度学习中可扩展高效的不确定性估计和降低方法

    部署神经网络在资源受限的安全关键系统中面临不确定性和硬件非理想性所带来的挑战，该研究论文总结了一项 (四年级) 博士论文工作，该工作探索了深度学习中可扩展和高效的方法，包括计算内存 (Computation-in-Memory) 使用新兴的阻性非挥发性存储器来估计和降低不确定性。我们采用问题感知训练算法、新颖的神经网络拓扑结构和硬件协同设计解决方案，包括基于自旋电子器件的基于退化的二值贝叶斯神经网络和变分推理技术。这些创新显著提高了异常数据检测、推理准确性和能量效率，从而增加了神经网络实现的可靠性和鲁棒性。

    Jan, 2024

  • 新无线异构网络下行协作多点中的深度学习

    使用深度学习构建代理协同触发函数方法，提高异构第五代新无线电网络下行协调多点传输性能，进而增强用户吞吐量分布。

    Dec, 2018

  • 面向动态频谱访问的图像和无线数据多模态联合感知及任务导向通信

    本研究介绍了一种深度学习方法，利用多模态图像和频谱数据相结合，实现动态频谱访问，并识别潜在的发射器。通过使用边缘设备上的摄像头拍摄潜在对象（例如可能携带发射器的车辆），我们提出了一种协作系统，其中边缘设备与可信接收器之间进行有选择的信息通信并作出决策，以确定潜在的发射器是否存在。通过任务导向的通信，在发射器上使用编码器进行联合源编码、信道编码和调制，从而高效传输用于对象分类的精简维度的重要信息。同时，发送的信号可能会反射到物体并返回到发射器，从而实现目标感知数据的收集。然后，在发射器上对收集到的感知数据进行第二轮编码，通过任务导向的通信将降维后的信息传回融合中心。在接收端，解码器通过联合感知和任务导向的通信，执行识别发射器的任务。发射器的两个编码器以及接收器的解码器进行联合训练，实现了图像分类和无线信号检测的无缝集成。通过 AWGN 和 Rayleigh 信道模型，我们展示了所提出方法的有效性，在各种信道条件下取得了发射器识别的高准确性，并保持低延迟的决策过程。

    Dec, 2023

  • 针对 5G 不同服务质量需求的无线资源分配的深度学习

    本文提出了一种基于深度学习的资源分配策略，通过优化带宽和传输功率来最小化基站的总功耗，并使用级联结构的神经网络和深度迁移学习来应对无线网络中的非平稳性。实验结果表明，相对于全连接神经网络，在 QoS 保证方面，级联神经网络的性能更好。

    Mar, 2020

  • 云边协同 AI 推理

    该论文提出了一种基于云无线接入网络（Cloud-RAN）的协作边缘人工智能推理体系结构，通过在远程无线电头（RRH）聚合噪声局部特征向量来提高推理准确性，并通过联合传输预编码、接收波束成形和量化误差控制方案来解决无线通道干扰、传输量化误差等挑战。

    Apr, 2024

  • 资源受限边缘推理中的通信计算权衡

    本文提出了一种有效的边缘计算推理方法，并探讨了在设备模型的计算成本和中间特征的通信成本之间进行的关键权衡。通过模型拆分点选择、通信感知模型压缩和任务导向的中间特征编码，提出了一个三步框架来有效地进行推理，实验结果表明，与基准方法相比，我们的提出的框架具有更好的权衡，可以显著减少推理延迟。

    Jun, 2020