- MM基于多维缩放的定位技术综述
本文综述了在无线传感器网络、物联网、认知无线电网络和 5G 网络中基于多维尺度缩放(MDS)的定位技术和 MDS 的应用。
- 多人赌博机:对抗情形
设计了第一个能够在任意变化的环境中工作的多人赌博算法,其中武器的损失甚至可能是由对手选择的,同时解决了 Rosenski、Shamir 和 Szlak(2016 年)提出的一个悬而未决的问题。
- SIC-MMAB: 多人多臂赌博机中涉及通讯的同步
通过构建一种通信协议,使多个玩家之间出现冲突以便以极低成本共享信息的方式,我们提出了一种分散式算法,可实现与集中式一样的性能,以解决基于认知无线电网络的随机多人多臂赌博问题;当通信协议不能实现时,我们介绍了更适当的动态设置,并基于新算法证明 - MM认知无线电网络中的位置隐私:一项调查
本文探讨了认知无线电网络中与位置隐私相关的各种潜在威胁和风险,同时探讨了文献中提出的隐私攻击和相应的解决方案,为解决该问题提供了全面的调查结果。
- 认知无线电网络中利用空闲频谱的最优订单策略
本文提出了一种基于最近性探索的频谱感知策略,用于认知无线电网络中的多频带动态频谱访问,并且在频带动态的 Gilbert-Elliot 模型下,该策略指数化维护了频带的状态,并且能够在低复杂度下比其他现有的政策提供更好的性能。
- 多人博弈 -- 音乐椅子方法
本研究提出了两种无需通信的算法 Musical Chairs 和 Dynamic Musical Chairs 来解决多人博弈中的多臂赌博机问题,其中玩家可能发生碰撞,但不会获得奖励。这些算法有着恒定和次线性的遗憾率,且不需要先验知识,为这 - MM无线通信与网络的去中心化学习
本文介绍了针对网络中的图形数据处理的分散式学习算法,通过 ADMM 迭代最小化来得到所需的并行程度,并通过案例研究阐明了分散式学习框架对于当代无线通信和网络任务的影响。
- 并发赌博机与认知无线电网络
提出一种结合 epsilon-greedy 学习规则和避碰机制的算法,用于解决多用户共享多臂赌博问题,应用于认知无线电网络中,实验证明相比其他算法,该算法在此环境中可以显著提高性能,并取得次线性遗憾。
- MM基于人工智能的认知无线电网络认知路由
本文介绍了各种各样的 AI 和机器学习技术,用于发展认知路由协议,并调查了各种 AI 技术类别在 CRN 中的应用,特别是在路由问题上。同时,我们强调了认知路由协议必须解决的各种推理、推断、建模和学习子任务,并确定了开放性研究问题和未来工作 - 用于机会式频谱接入的分散式在线学习算法
本文针对认知无线电网络中的多个次级用户争取多个信道的机会问题,提出去中心化多臂赌博问题,并设计出一种去中心化的在线学习策略,以达到尽可能降低总体期望回报与所有用户回归之间的差距。其中,分别考虑了优先级排序和公平访问策略。
- 多人多臂赌博机的分布式学习
本文研究了一种分散式多臂搏击器的问题,提出了一种达到最优秩序并确保公平性的分散式政策,并证明了其总遗憾增长速率的下限,这个问题在认知无线电网络,多通道通信系统,多智能体系统,网络搜索和广告以及社交网络等领域有潜在的应用。