- 用于高效通道知识图构建的 I2I 修复方法
基于拉普拉斯金字塔的通道知识图构建方案，通过图像到图像的修复任务以预测目标区域任意位置的通道知识，利用自注意力和交叉协方差注意力机制编码全局结构信息，实现了比基准方案更高的重建准确性和更低的计算复杂度，适用于不同无线通信场景。
- 6G 无线通信中的感知与视觉技术角色
介绍了一种基于感知和计算机视觉技术的无线通信框架，通过对高分辨率感知信息的分析，能够快速准确地理解无线环境并执行无线任务，在 6G 通信场景中取得了显著的性能提升。
- WDMoE: 无线分布式大规模语言模型与专家混合模型
基于混合专家模型 (MoE) 的无线分布式大型语言模型 (WDMoE) 通过在基站 (BS) 和移动设备的边缘服务器上协作部署大型语言模型 (LLMs)，分解其 MoE 层以充分利用分布式设备上专家网络的并行能力，并设计专家选择策略以克服无 - 无线通信系统信号检测的通用深度神经网络
本研究论文提出了一种新型的通用深度神经网络 (Uni-DNN)，可以在不需重新训练模型的情况下，在各种无线环境中实现高检测性能。该模型由无线信道分类器和信号检测器组成，可广泛适用于多种无线信道分布，通过使用卷积神经网络进一步提高信号检测性能 - RadioGAT: 基于模型和数据驱动的多频段无线电地图重建框架
为了解决多频段无线射频地图重建在实际部署中所面临的挑战，我们提出了一种基于图注意力网络（GAT）的新框架 RadioGAT，它将基于模型的空间 - 频谱相关性编码与数据驱动的射频地图泛化相结合，从而最大程度地减少对大量数据源的依赖，并且在具 - 无线车联网环境中基于先前用户信息的服务质量预测
通过评估 ML 树集成方法来预测无线通信质量，并利用车辆之间的相关性和无线环境特征改进预测性能，支持商业网络中的 ML 应用。
- 物理层通信的生成人工智能：一项调查
人工智能的生成模型在通信物理层的应用
- MM走向可解释机器学习：储层计算在无线接收处理中的有效性
深度学习在无线通信等领域得到了迅速的应用，本文通过应用一种称为储备计算的学习技术对信道均衡进行研究，并提供了其操作的信号处理理论基础，通过模拟展示了通过优化初始化可以改善接收处理和符号检测性能，这是实现可解释机器学习和提高检测可靠性的首要步 - 无线通信的多模态变压器：波束预测案例研究
本文介绍了一种多模态变压器深度学习框架，用于辅助感知的波束预测。通过使用卷积神经网络从一系列图像、点云和雷达原始数据中提取特征，并使用变压器编码器学习不同模态和时间实例之间的隐藏关系，生成下一级特征提取的编码向量。通过在不同模态的组合上进行 - 自监督聚类无线频谱活动的 XAI
提出一种结合了 Guided Backpropagation 和 Shallow Trees 方法，在无需大量标注数据的情况下解释卷积神经网络深度聚类自监督学习架构，并以无线频谱活动聚类为例进行了说明。
- MM不确定性注入：一种深度学习方法用于鲁棒优化
该论文提出了一种不确定性注入范式，用于培训深度学习模型以解决鲁棒优化问题，该模型能够隐含地考虑不确定性并产生统计上健壮的解决方案，而无线通信是存在不确定性的应用领域之一，在多用户 MIMO 下行传输的强鲁棒功率负载和设备到设备网络的强鲁棒功 - Berlin V2X: 多车和多无线电接入技术的机器学习数据集
通过一系列的详细的测量活动，我们提供了一批适用于车联网 (V2X) 领域的、具有高时间分辨率的 GPS 定位的无线测量数据集，并公开了这些数据，供新研究人员使用。这些数据可用于针对 6G 及以后的无线通信技术的机器学习研究和新的车联网和工业 - MM图神经网络与无线通信：动机、应用及未来方向
本文综述了图神经网络在无线通信中的应用，包括构建图模型的 GNN4Com、用于 GNN 的无线通信 Com4GNN、以及未来研究方向。
- 基于深度学习的双重色散环境下信道估计调查
本文针对动态环境下的无线通信系统中频道估计困难的问题，对基于深度学习的频道估计技术进行了广泛的研究和实验模拟，并提供了计算复杂度分析和在线源代码，最终通过在不同移动性情况下的表现评估来支持它们的可靠性和应用。
- 基于稀疏梯度差分的分布式学习
该论文介绍了一种分布式学习任务的优化方法，称为 Gradient Descent with Sparsification and Error Correction (GD-SEC)，该方法在不降低收敛速度的情况下，将工作者到服务器的每次通讯 - MM通过学习进行通信的主动感知
本文提出了一种深度学习方法，用于解决无线通信中的一类主动感知问题。该方法利用 LSTM 网络和 DNN 网络，旨在优化自适应信道感知任务，包括自适应波束成形和自适应可重构智能表面感知问题。数值结果表明该新方法优于现有的自适应或非自适应感知方 - LiDAR 辅助下的 6G 人类阻挡预测
通过基于 LiDAR 传感器的深度学习和射线投射的技术，我们提出了一种端到端的系统来预测未来可能遇到的人体遮挡，从而在不失去数据准确性的情况下，提高确定信号路径的正确性。在 300ms 的窗口期内，本系统可以达到 87% 的准确率，同时保持 - MM物理层通信的强化学习
本文介绍了如何在无线通信物理层应用强化学习算法优化传输，并详细阐述了马尔可夫决策过程、Q-learning 算法、深度强化学习范式等基础理论与算法，同时还介绍了多臂老虎机框架，最后对强化学习技术趋势进行了展望。
- 利用 5G MIMO 数据进行机器学习：应用于深度学习中的波束选择
本文提出了一种方法将车辆交通模拟器和光线追踪模拟器结合起来，生成代表 5G 情境的信道实现，并描述了一个特定的数据集，用于研究基于毫米波的车辆对基础设施的波束选举技术，并利用这个方法生成的数据集进行分类，回归和强化学习问题的实验。
- MM适应动态环境和任务的统一认知学习框架
提出了一种统一的认知学习（CL）框架，它受灵长类动物大脑认知机制的启发，具有动态适应环境和任务的能力、自我学习能力，以及优秀驱逐劣质能力；并且经过了基于公开权威数据集的验证，可以丰富当前的学习框架并扩大应用范围。