提高基于深度学习的信道估计效率的可解释人工智能
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
本综述旨在探讨可解释人工智能在6G系统中的应用,包括公共和法律动机、解释性定义、性能与解释性权衡、提高可解释性的方法以及将可解释性纳入未来无线系统的框架,由PHY和MAC层的优化案例研究支持。
Nov, 2019
本文介绍了一种将模型训练和推断能力嵌入到网络边缘的边缘人工智能技术,为6G提供了一种优化网络效率、效果、隐私和安全的解决方案,并提出了新的无线网络设计原则、面向服务的资源分配优化方法、端到端的架构以支持边缘人工智能。
Nov, 2021
本研究旨在探索解释机器学习方法在B5G安全领域的潜力,从而使决策过程透明可理解,系统自动化行为可追溯管理,涵盖5G、B5G、人工智能、机器学习和解释机器学习方法的研究。
Apr, 2022
本论文探讨了机器学习在6G中扮演的角色,提出通过隐式通道学习来完成无线信道估计与机器学习任务结合的方法,并在无线数据传输中达到了60%的图像和语音分类任务准确率提升。
Jun, 2022
这篇文章提出了可持续和可扩展的人工智能集成在通信系统中的设计原则,并构建了可泛化至网络环境、意图和控制任务的人工智能算法和可自动化的学习体系结构,以实现 AI 驱动的 RAN 功能的规模化应用并简化生命周期管理。
Jun, 2023
本研究提出一种基于可解释人工智能技术的信道估计方案(XAI-CHEST),通过识别相关的模型输入并对不相关的输入引入高噪声,进一步分析和评估了所研究的深度学习模型的行为。
Jul, 2023
6G体系结构中人工智能和大型语言模型(LLMs)以及预训练的广义变压器(GPT)的无缝集成将在AI中心化操作和下一代通信范式中起到关键作用。
Nov, 2023
通过对6G网络研究中的数据驱动的无线研究、生成式人工智能、生成模型、GMs和6G网络研究等关键词进行分析,本文介绍了生成模型的教程和调查,并对无线研究领域的核心问题进行了回顾和分析,提出了GMs在6G网络研究的重要作用,并针对未来可能面临的挑战提供了潜在的策略和有希望的解决办法。
Feb, 2024