- 基于优化理论的深度强化学习用于超可靠无线网络控制系统资源分配
基于优化理论的深度强化学习框架被介绍用于联合设计控制和通信系统，并针对最小化功耗目标，在满足通信系统的调度性和速率约束以及控制系统的稳定性约束的前提下，通过优化理论和深度强化学习两个阶段的组合来实现，该方法在大量的模拟实验中表现出优于优化理 - 利用机器学习进行卫星灵活载荷配置
该研究论文介绍了一种基于机器学习的无线资源管理方法，加入环境感知度量评估通信系统整体性能的机器学习模型的资源分配决策的影响。
- MM逐步文本到图像生成的序贯语义生成通信
该论文提出了一种新的通信系统框架，利用多模式生成模型的优势生成有前途的代沟能力。我们的主要研究方向是基于图像到文本转换和顺序传输单词令牌的通信系统设计，旨在为实际通信系统利用最先进的生成模型铺平新的道路。
- SICNN: 软干扰消除启发式神经网络均衡器
在本文中，我们提出了一种名为 SICNN 的基于神经网络（NN）的等化方法，它通过模型的深度展开，在消除了模型方法的主要缺点的同时，还实现了对传统通信系统中的等化性能的显著提升。
- 现场施工工作中，自然语言指令与机器人助手直观人机交互
该论文提出了基于自然语言指令的人机交互框架，通过自然语言理解、信息映射和机器人控制等模块，实现了人工建筑工人与机器人的可靠沟通，为克服建筑工作中的复杂性和不确定性问题提供了潜在的解决方案。
- MM基于 ANN 的无监督均衡器及其可训练 FPGA 实现
本文提出了一种基于人工神经网络的无监督均衡器及其可训练的 FPGA 实现，通过自适应的方法，该算法能够适应不同的信道条件，并取得了 Gbit/s 级别的吞吐量，超越了高性能 GPU 的表现，是一个实用通讯系统的第一步。
- 学习沟通意图：介绍
该论文提出了一种新的框架，可以在无线通信信道上按照通信的最终目标传输消息，重点研究了监督学习和强化学习任务，并提出了学习通信系统和任务的端到端算法。该方法可以适应任何类型的目标或任务，重点是通过传输图像进行了性能比较。
- MM深度神经网络在物理层通信中的开箱探秘
本文量化分析和实验验证深度神经网络在物理层发送中的信息流动，研究其在计算复杂度方面的成本，以及为什么它们能够与传统技术实现可比较的性能。
- MM基于 AEVB 的智能通信系统
本文提出了一种基于 CNN 的 VAE 通信系统，使用可调节超参数 beta 的 VAE 架构，在传统方法中表现卓越，具有极度脱耦的潜在空间表现，使得基于连续潜在空间的 VAE 系统比其他系统表现更佳。
- 可重构智能表面辅助无人机通信：联合轨迹设计与被动波束赋型
通过联合无人机轨迹和可重构智能表面的无源波束成型设计来最大化系统的平均可实现速率
- 无线通信系统能达到多少能效？
本文探讨了无线网络中数据传输的能耗问题和能源效率度量指标，并运用不同实例对未来通信系统的能源效率进行了分析。
- MM无线物理层的深度学习：机遇与挑战
介绍了基于深度学习的物理层处理的新兴研究，包括基于深度学习重新设计传统通信系统的模块（用于调制识别，信道译码和检测）并将通信系统替换为基于自动编码器的全新架构。