- MM无线网络联邦学习的收敛时间优化
本研究旨在解决联邦学习在无线网络中的收敛速度问题，通过提出一种概率用户选择方案以及利用人工神经网络来估计未被分配资源块的用户的局部模型，从而在优化联邦学习性能的基础上最小化收敛时间。
- 人工智能为基础的 5G 及其以上的无线网络：最新进展与未来挑战
本文研究了如何利用人工智能（AI）和机器学习（ML）技术来设计和运营 B5G 无线网络，包括对最近的进展和未来挑战的综述，以及对 ML 算法和应用的回顾，并总结了将 AI/ML 算法应用于 B5G 网络的标准发展。
- 未知和动态频谱环境下的无线电信号分类深度学习
本文提出了一种基于深度学习和信号分类技术的动态频谱接入方案，能够在无线网络中精确检测和分类干扰源，并应用于分布式调度协议中，提高网络吞吐量和用户成功率。
- MM联合学习和通信框架用于无线网络联邦学习
研究了在现实无线网络上训练联邦学习算法的问题，提出了一种联合学习、无线资源分配和用户选择的优化问题，并获得了期望收敛速率的闭式表达式，从而实现最小化 FL 损失函数的最优用户选择和上行资源块分配。
- 基于随机边图神经网络的最优无线资源分配
本研究旨在利用随机边图神经网络 (REGNN) 在无线网络中实现最优资源分配，通过卷积神经网络构建 REGNN，利用无监督模型进行权重训练，并测试其性能和转移能力。
- MM多智能体学习调度：一种分布式无线资源管理框架
提出了一种使用多智能体深度强化学习的机制来管理无线电资源，从而在最大化用户吞吐量和保证公平分配资源之间取得平衡。
- MM智能可重构环境：智能反射面辅助的无线网络
智能反射表面，作为一种改善 5G 网络中信号传播的解决方案，能够通过整合大量低成本的被动反射元件在平面表面上，智能重构无线传播环境，利用 3D 被动波束成形，显著提高了无线网络性能。
- 边缘智能无线网络
本文探讨了边缘机器学习的关键构建块，神经网络架构的不同分裂及其内在的权衡，以及来自广泛数学学科的理论和技术促进因素，最终呈现了几个关于各种高风险应用的案例研究，展示了边缘机器学习在发挥 5G 及其以后的全部潜力方面的有效性。
- MM无线自主车队系统的联合通信和控制
为实现自主车队所需的无线网络可靠性和控制系统稳定性，本文提出了一个新的框架，通过分析控制系统的稳定性和车辆间通信信道的不确定性，导出了无线系统可靠性的运算表达式，并将控制参数优化以最大化无线系统的可靠性。
- 蜂群无人机实现的无线 VR 网络中，基于 Echo-Liquid 神经网络的 360 度内容传输和缓存
本文针对无人机采集并传输视频至虚拟现场（VR）用户时遇到的内容缓存和传输问题进行了深入研究，提出了一种基于深度学习算法的内容缓存和传输优化方案，可提高网络可靠性并减少后勤负荷。
- MM大规模缓存增强的无线网络中缓存和组播的分析与优化
本文提出了一种随机缓存和多播方案，通过优化设计参数，使用随机几何工具，针对大规模缓存启用的无线网络，考虑缓存和多播的分析和优化。通过优化技术，发展了一种迭代数值算法，在一般地区获得了局部优化的缓存和多播设计，并基于两步优化框架在渐进区域得到 - 随机图上的代数连通性分布式估计与控制
本文提出了一种针对无线 Ad-hoc 网络中的连接性进行估计和控制的分布式算法，通过引入新颖的随机幂迭代方法，允许每个节点估计和跟踪基础预期图的代数连接性，并使用随机逼近理论的结果证明了所提出的方法几乎必定收敛于期望的连接性值，之后将这种估 - MM在分散式无线网络中使用部分信息学习均衡
本文研究了对于去中心化网络的若干重要平衡概念，介绍了几种学习技术如何实现无线网络中的平衡点，并阐述了学习方案的收敛性和信息要求。通过简单的案例研究 —— 干扰信道和两个发射 - 接收对，解释了概念和方案。
- 利用方差无线断层扫描网络进行穿墙跟踪
本文提出了一种利用无线点对点网络接收信号强度测量中的运动诱导方差进行实时壁障后运动成像、定位和跟踪的新方法，使用多径信道模型，将方差与运动空间位置相关的统计模型作为运动图像估计的框架，并从中应用卡尔曼滤波器以递归跟踪移动目标的坐标。
- 无线网络信息流：一种确定性方法
研究单源、单目的地和任意中转节点无线网络的信息传输速率，提出了确定性信道模型并设计了一种新的量化 - 映射 - 转发方案，可以无需中继节点了解信道参数就近似地达到网络可支持的速率，并将结果扩展到多播网络、半双工网络和遍历网络。