- 隐私保护的半分散间歇连接网络上的均值估计
通过合作传输实现私密估计的算法，优化协作与隐私泄露之间的平衡，通过利用网络连接的随机性和向节点之间交换的估计添加高斯扰动来提供本地和中央隐私保证。
- 基于组合多臂赌博机的推荐辅助缓存
通过使用基于有限容量缓存的基站，我们研究了在无线网络中具有推荐功能的内容缓存。我们假设存在一组固定内容，用户的偏好和内容的受欢迎程度未知。我们可以向用户推荐一部分内容，以鼓励用户请求这些内容，从而增加缓存命中率。我们将缓存命中率优化问题形式 - 基于图神经网络的估计误差最小化的分散学习策略
在多跳无线网络中，通过分布式可扩展的采样和传输策略以及图神经网络结构，优化采样和远程估计研究的主要问题包括缓存并从其他代理处获得最新样本、无线冲突通道和各个网络节点之间的决策制定。
- GenAINet：通过知识传递和推理实现无线智能集体
在本文中，我们提出了 GenAINet 框架，其中分布式的 GenAI 代理通过无线网络进行知识传播，以完成任意任务。我们构建了一个整合了 GenAI 能力的网络架构，研究了通过语义本地化的 GenAINet 的有效通信和推理问题。在这种范 - 6G 无线网络数字孪生：生成 AI 作为关键驱动器
数字孪生通过同步数字复制品实现物理实体的仿真、评估和优化，在复杂的无线网络中作为一项有前景的技术引起了越来越多的关注。本文讨论了在 6G 时代中，考虑到复杂的网络架构、巨大的网络规模、广泛的覆盖范围和多样化的应用场景，对无线网络数字孪生的新 - 无线联邦 $k$- 均值聚类与非相干无线计算
本研究中，我们提出了一种在无线网络上实现联邦 K - 均值聚类算法时减少每轮通信延迟的无线计算方案。该方案利用编码器利用平衡数系的数值表示和无线多址信道非相干超定位属性来计算联邦 K - 均值的更新总和，以消除对精确相位和时间同步的需求。此 - 无线网络中的分层联邦学习：修剪应对带宽稀缺与系统异质性
通过模型剪枝在异构网络中提出了一种剪枝启用的分层联邦学习 (PHFL) 算法，通过优化模型剪枝比例、CPU 频率和传输功率以最小化可控部分的收敛界限，在严格的延迟和能量约束下验证了算法的有效性。
- 可学习数字孪生用于高效率无线网络评估
本文提出了一个基于学习的网络数字孪生用于网络模拟器，它可以综合表示无线网络中的信息流，并通过将网络配置映射到关键绩效指标来进行快速实验和优化。通过在多种情景下全面测试，结果表明该方法比传统的基于模拟的方法具有更高的精确性和鲁棒性，同时实现了 - MM无线 MIMO 网络中的空中分离机器学习
该研究提出了一种基于过空中计算的分块机器学习系统，其中神经网络的不同分区由不同的计算节点执行，并演示了该系统在无线网络中的实现和解决方案。通过数学方法将神经网络的层间连接分解为线性预编码和组合转换。同时将预编码矩阵和组合矩阵与 MIMO 信 - 基于聚类的个性化联邦学习能量感知边缘关联
通过无线网络实现联邦学习，并使用基于深度强化学习的方法来进行边缘关联，以提高精度和降低能耗，进而实现成本效益的个性化联邦学习。
- 无线网络通信模式下实现带宽感知算法的 IoV 场景
本文主要关注在虚拟网络环境下的带宽资源分配问题，提出了一种基于粒子群优化算法的带宽感知多域虚拟网络嵌入算法（BA-VNE），并通过模拟实验验证了该算法在链接带宽、映射成本和虚拟网络请求接受率等性能指标上的优越性。
- 基于跨域虚拟网络嵌入的无线网络多目标资源优化
本研究提出了一种多目标优化的虚拟网络嵌入算法，旨在高效分配无线网络资源，实验结果表明，该算法在映射成本、网络延迟和虚拟网络请求接受率等三个指标方面优于其他算法，并体现了该算法在无线网络资源分配中的有效性。
- MM无线蜂窝网络上的语义感知协作深度强化学习
提出了一种新的语义感知 CDRL 方法，通过一种新的异构联合 DRL 算法实现了多智能体在无线网络中高效协作，并优化了训练损失和无线带宽分配以满足实时任务的时间限制。与现有算法相比，该方法表现出更优异的性能。
- MM多路衰落信道上的加速梯度下降学习
本文考虑了分布式学习在无线网络中的应用，开发了新的多进程加速梯度下降算法来优化收敛速度。
- MM使用下行设备选择的联邦学习
本文研究联邦边缘学习在无线网络边缘使用隐私数据协作训练全局模型，通过数字下行传输，设计了一个部分设备参与的框架和设备选择方法，实验结果表明最佳参与设备数量取决于统计偏差的 MNIST 数据集。
- 无线边缘网络中多个联邦学习服务的带宽分配
本文研究了无线网络中多个联邦学习服务共享通用无线资源的机制，提出了一个两级资源分配框架，包括对联邦学习轮次长度进行优化的内部服务资源分配和分别分配带宽资源给多个联邦学习服务的外部服务资源分配，并介绍了两种不同的服务提供者策略。在此基础上，提 - 深度强化学习在蜂窝网络中联合频谱和功率分配中的应用
本文提出了一个学习框架来优化无线网络的频谱和功率分配，使用两种分别针对离散和连续变量的强化学习算法来同时执行和训练，模拟结果表明该方案优于基于分数规划的算法和以往基于深度强化学习的解决方案。
- MM基于相似性的信道映射和用户定位预测
通过使用无线网络中用户上传链路信号的信息，提出了一种基于有标注数据库的监督机器学习方法，可以同时预测用户位置和信道质量，具有比之前提出的方法更优的结果，成本更低。
- 无线联邦学习网络中的客户端选择与带宽分配：长期视角
本文讨论在无线网络中的联邦学习，研究如何在联邦学习网络中优化资源分配，同时兼顾长期和短期的因素，提出一种新的算法来解决这一问题，并在实验中得到不错的表现。
- 基于空中计算的分布式随机梯度下降
研究将分布式随机梯度下降算法应用于无线网络中的性能表现，探讨对传输干扰和噪声等方面进行优化的方法，选用 OAC-MAC 算法来实施无线计算，并将调度问题转化为图着色问题，并通过 MNIST 图像分类任务的实验来验证方法的可行性和有效性。