- MM深度学习中基于联合不确定性注入的鲁棒通信与计算
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 - 利用残差网络和 HMI 磁图和强度图进行极端太阳耀斑预测
利用太阳强度图和磁图来预测太阳耀斑，特别是 C 级、M 级和 X 级，以减轻其对卫星操作、通信系统和电网的风险。该研究强调在太阳活动预测中识别磁场的重要性，为改善空间天气预报提供了一种高准确度的工具，对减轻空间天气影响具有实际意义。
- LIGHTCODE: 反馈信道的光分析和神经码
通过设计具有可靠性和高效性的编码方案，本文研究了在具有反馈的信道中的通信理论挑战。我们提出了分析编码方案 POWERBLAST 和轻量级神经编码方案 LIGHTCODE，用于改进通信系统的可靠性，并在学习的代码中建立了 LIGHTCODE - 智能模式切换框架的遥操作
通过联合考虑模式切换和通信系统，在智能操作员端进行用户意图识别的基础上，训练和部署深度强化学习（DRL）代理，实现自动和远程操作模式的无缝切换，从而实现最多 50% 的通信负载减少和任务完成概率的提高。
- ICASSP 2024 语音信号改善挑战
通过引入数据集合成器，为 ICASSP 2024 演讲信号改进大挑战赛增加了 13 个实时系统和 11 个非实时系统的评估指标，同时还引入了目标指标和 2023 测试集的数据。
- 基于生成式 AI 的概率星座成型与扩散模型
利用扩散模型的生成人工智能能力，提升通信系统中星座符号的 PHY 设计，以改善信息速率和解码性能，并且在低信噪比和非高斯假设情况下具有网络弹性和鲁棒性。
- 基于模型的位置到信道映射学习
为了克服通信信道在用户位置发生变化和学习低频函数的偏见带来的困难，本文提出了一种节俭、基于模型的网络，将目标映射函数的低频部分与高频部分分离出来，形成一个超网络架构，其中神经网络只学习高频组件字典中的低频稀疏系数。仿真结果表明，所提出的神经 - 一种基于加权自编码器的下行非正交多址星座图设计方法
本文提出了一种基于自编码器 (AEs) 的下行 NOMA 设计新方法，通过引入加权损失函数来实现对多个用户的灵活平衡误差概率，同时结合 SICNet 解码器实现了显著改进和误差概率的灵活控制。
- 通信系统中 AI 通用性和可扩展性的设计原则
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。
- 一种混合方法，将基于人工神经网络和传统解调相结合，用于有效地在 FPGA 中实现通信
本研究提出一种基于自编码器的有效神经网络重映射方法，以结合传统的解调算法，实现在 FPGAs 上进行通信。我们的方法在保证通信效果的同时，提高了硬件的效率，为 ANN 通信算法在实际应用中提供了新思路。
- 2022 年多模式光束预测挑战赛：迈向泛化
通过使用多模态感知模式解决 Beam management 在高移动用户场景下的挑战，为未来的实时通信系统铺平了一条可靠的道路。
- 超越比特传递：语境、语义与任务导向通讯
本教程总结了从早期的语义感知和面向任务的通信开始，涵盖了其基础，算法和潜在实施，重点是利用信息理论提供基础以及学习在语义感知和面向任务的通信中的重要作用。
- 从调制角度看学习图像压缩中的转变
本文提出了一种基于调制视角的学习图像压缩 (LIC) 的统一变换方法，将量化视为具有加性均匀噪声的广义通道，从通信系统的角度阐释了 LIC 的设计，并通过信号调制 (TSM) 定义了一种统一变换方法，通过实验结果验证了该方法的有效性和鲁棒性 - 基于雷达辅助的 6G 波束预测：深度学习算法与实际演示
本文介绍了第一次使用基于机器学习的雷达辅助波束预测在实际车联网通信场景中的应用，该应用可利用雷达传感器数据提供的关于收发位置和周边环境的信息来降低或消除毫米波和亚太赫兹的 MIMO 通信系统中波束训练的开销，实现低延迟高流动性应用。本文提出 - 面向通信的基于模型的机器学习
本文介绍了基于模型的机器学习在通信系统中的应用。作者从整体上审视了已有策略，将其与深度学习方法进行比较，并关注于通信接收器中的符号检测问题，探讨了深度架构、深度展开和 DNN 辅助混合算法等不同策略的优缺点。最后，提出了未来设计基于模型的深 - OFDM 端到端学习：从神经接收器到无导频通信
本研究针对频率和时间选择性衰落信道，探讨端到端学习在无线通信上的应用，通过神经网络接收机代替传统正交导频，并使用超定位信号，线性复合和优化星座几何图形等技术替换正交导频，实现了与基线方案相同的误比特率和相对 7％的吞吐量提高，表明协同学习的 - 通信系统物理层中深度学习的两个应用
通过深度学习算法学习输入信号的关键特征和特性，而不需要人为进行先前的识别和建模，深度神经网络能够学习自然制造信号（例如照片和音频）中的复杂特征，并将其用于分类和决策，但在通信系统中，情况有所不同。信息信号是人造的且传播渠道相对易于建模以及在 - MM从学习到元学习：减少通信系统培训开销和复杂性
该论文介绍了元学习的概念及其在通信系统中的应用，其中，元学习可以通过选择合适的归纳偏置，将训练过程中需要的数据和时间复杂度降至最小。
- 基于神经互信息估计的信道编码深度学习
提出了一种利用神经估计器来优化编码器从而实现最大化互信息的新方法，该方法仅依赖于信道样本，可以达到与具有完美信道模型知识的最新端到端学习相同的性能。
- AI 辅助的在线自适应 OFDM 接收机：设计和实验结果
本研究比较了两种基于 AI 的 OFDM 接收机，通过广泛的模拟和实时视频传输进行实验，并开发了一种新型的在线训练系统 SwitchNet，以适应真实环境。试验结果表明 AI 辅助的 OFDM 接收机在未来的通信系统中很有前途。