本文介绍了机器学习和人工神经网络在下一代无线通信网络中的应用，涵盖了前馈神经网络、循环神经网络、脉冲神经网络和深度神经网络等不同类型，并讨论了无人机通信、虚拟现实和边缘缓存等无线通信问题和挑战。作者提出了未来可能的研究方向，对开发满足未来无线网络需求的机器学习技术提供了全面的指南。

Oct, 2017

本文论述了利用来自不同地点的信息来训练多个AI模型实例以实现更灵活的gNB控制模式，从而提升了传统方法的性能。

Aug, 2022

本文介绍了ns-O-RAN软件框架，该框架整合了实际的生产级别的基于近实时RAN智能控制器(near-RT RIC)以及基于ns-3的3GPP模拟环境，以便开发xApp和自动化的大规模数据收集，并测试深度强化学习驱动的用户级优化控制策略。同时，作者提出了第一个面向用户的O-RAN Traffic Steering(TS)智能切换框架，将两种算法结合在一起，优化网络中的用户级别基站服务，使得传输速率和频谱效率平均提高了50％。

Sep, 2022

探究基于无线网络控制系统的深度学习协同设计，使用新型深度强化学习算法与AoI技术构建控制器和调度器，提高数据准确性并增强联合训练的稳定性，以此解决传统设计方法中大量难以有效解决的问题，并在不同场景中提供显著的性能表现.

Oct, 2022

本文提出了一种基于神经符号的可解释人工智能双胞胎框架，以实现对于无线万物互联环境下网络和服务管理的可靠信任，该框架通过神经网络驱动的多元回归捕捉时间相关的无线万物互联环境，并通过基于有向无环图的贝叶斯网络对无意识决策进行符号推理，实现了对显式学习者和隐式学习者的管理。实验结果表明，所提出的神经语义 XAI 双胞胎在理性和闭环自动化方面可实现约 96.26％的准确性，并保证了18％到44％的更多信任分数。

Oct, 2022

无线网络中的动态优化策略是一个重要的研究领域，本文提出了一种使用图神经网络的方法，将分布式代理之间的动态相互作用建模，并在网络优化问题中实现了较好的泛化能力验证

Nov, 2023

数字孪生通过同步数字复制品实现物理实体的仿真、评估和优化，在复杂的无线网络中作为一项有前景的技术引起了越来越多的关注。本文讨论了在6G时代中，考虑到复杂的网络架构、巨大的网络规模、广泛的覆盖范围和多样化的应用场景，对无线网络数字孪生的新要求，并进一步探讨了生成式人工智能，如变压器和扩散模型等在多个方面强化6G数字孪生的应用，包括实施、物理-数字同步和切片能力。随后，我们提出了一个基于分层生成式人工智能的无线网络数字孪生，包括消息层和策略层，并通过数值结果提供了一个典型的应用案例来验证其有效性和效率。最后，我们讨论了6G时代无线网络数字孪生的开放性研究问题。

Nov, 2023

通过将知识图谱的概念融入移动网络的智能操作中，建立了一个无线数据知识图谱，从而实现对从无线通信网络收集的海量和复杂数据的特征数据集的按需生成，提高了人工智能训练、推理和验证过程的效率，并显著减少了通信网络的资源浪费和开销。

Apr, 2024

下一代无线网络中，生成式人工智能（Generative AI，GAI）模型的应用可以提升资源分配和网络性能优化，解决传统优化技术面临的挑战。

May, 2024

无线通信与人工智能相互促进发展，尤其在第六代移动网络技术标准中，生成式人工智能（GenAI）通过需求塑造的概念在无线网络中提供了显著的潜力，并能在各种使用场景中提高性能和节约能源和频谱。

Jul, 2024