- 大型语言模型的个性化无线联邦学习
基于大型语言模型的联邦学习方法,在无线网络中解决了隐私和安全保护机制不足的问题,并通过两种个性化无线联邦微调方法实现了低通信开销。
- 分布式边缘物联网的群体学习
研究论文通过探索分布式群集学习(DSL)这一新颖框架,结合了人工智能和生物群体智能,以解决物联网在无线网络边缘面临的通信和计算瓶颈、设备和数据异构性、安全风险、隐私泄露、非凸优化和复杂无线环境等问题。该框架为无线网络边缘的大规模物联网提供了 - 在大规模无线网络中利用数字双胞胎进行合奏式 Q 学习
通过新颖的合奏 Q-learning 算法,针对优化无线网络的性能和复杂性挑战,通过合成马尔可夫决策过程的集成学习,提出了适应大状态空间可观测无线网络的新模型,通过在多个合成马尔可夫环境上并行运行多个 Q-learning 算法并将其输出融 - 大型多模态模型 (LMM) 作为面向 AI 原生无线系统的通用基础模型
本文解决了利用大型语言模型(LLMs)和基础模型设计人工智能(AI)本地网络的问题,提出了一种以无线为中心的基础模型架构,其中包括多模态模型,通过神经符号 AI 进行逻辑和数学推理,并展示了 RAG 在 LMMs 中的有效性,以及 LMMs - 无线网络上的分布式学习中基于广播的子图采样:更快的收敛速度,更少的通信
本研究提出了一种名为 BASS 的基于广播的子图采样方法,用于加快分散式随机梯度下降的收敛速度,并考虑每次迭代的实际通信成本。BASS 通过创建一组混合矩阵候选集,表示基本拓扑图的稀疏子图,实现了一种在共识迭代中的采样决策,激活多个无冲突的 - 联合概率选择与功率分配的联邦学习
研究在有限能源预算的设备上训练机器学习模型时,联邦学习在无线网络中的性能表现,提出了一种基于概率的客户端选择和功率分配方法,通过交替算法解决该问题,并与其他基准进行了比较,结果表明该方法在能源消耗、完成时间和准确性方面取得了显著的性能。
- 具备干扰和数据异质性认知的分层无线联邦学习
这项研究提出了一种用于解决分层联邦学习在无线网络中可扩展性和干扰、设备数据异质性的挑战的学习方法,并通过优化的接收器归一化因子来减小干扰的影响。通过使用随机几何建模多簇无线网络并将聚合估计的均方误差作为网络参数的函数进行表征,论文证明了在干 - 元宇宙中基于联邦多视图综合的研究
基于边缘智能和深度学习的多视角合成框架,实现了在元宇宙中无线内容传输的高效计算、存储和通信资源,并通过联邦学习和转移学习,提供了有效的学习过程和快速领域适应性。
- 离线强化学习推进 RAN 切片技术
该研究介绍了离线强化学习(RL)在解决无线网络中的无线电资源管理(RRM)问题方面的应用,展示了它学习接近最优策略的能力,适应不同的服务级别要求,并在各种 RAN 分割场景中发挥潜力。
- 基于图的无监督学习方法用于 6G 子网络的子频段分配
该论文通过基于图的学习提出了一种无监督的无线网络频率子频带分配方法,模型化了子网络部署为冲突图,并借鉴了图着色启发式和波茨模型的无监督学习方法来优化子频带的分配,数值评估表明该方法在计算时间复杂度更低的前提下,实现了接近集中式贪婪着色子频带 - 通过自适应图形的无线网络中的多智能体强化学习功率控制
无线网络中的动态优化策略是一个重要的研究领域,本文提出了一种使用图神经网络的方法,将分布式代理之间的动态相互作用建模,并在网络优化问题中实现了较好的泛化能力验证
- 一种由语义通信赋能的无线人工智能生成内容(AIGC)预配框架
提出了一种语义通信(SemCom)支持的生成式人工智能内容(SemAIGC)生成和传输框架,通过语义信息的提取和传输,解决了无线网络中提供优质 AIGC 服务的挑战,并采用资源感知的工作负载权衡(ROOT)方案进行计算资源的智能调整。仿真结 - 基于信息论的拓扑感知异构联邦边缘学习在噪声信道上的泛化分析
我们的工作针对数据异构性和噪声通道的情况,在拓扑感知的边缘学习中提出了一种信息论泛化分析,并提出了一种名为联合全局互信息缩减(FedGMIR)的新型正则化方法,通过数值结果验证了这种方法的有效性。
- 基于广播的子图采样的无线网络分布式学习
该研究探讨了分布式学习在无线网络中的通信方面,使用基于共识的分布式随机梯度下降法(D-SGD)。为了实现算法的快速收敛性,我们提出了一种名为 BASS 的高效通信框架,其中利用广播传输和概率子图抽样,在每次迭代中激活多个无干扰节点的子集将模 - 能效基站小区切换自适应动态规划
利用近似动态规划(ADP)基于在线优化的方法,在维持充分的服务质量(QoS)指标的同时,通过打开 / 关闭基站的方式减少网络功耗。通过使用多层感知器(MLP)来预测功耗和 QoS,以及长短期记忆(LSTM)进行手 over 预测,结合在线优 - 未來無線網路中的多智能體強化學習中的新興通訊
该论文阐述了 EC-MARL 在未来 6G 无线网络中的重要性,该方法赋予网络实体自主决策能力,解决自动驾驶、机器人导航、飞行基站网络规划和智能城市应用等复杂任务,提供 EC-MARL 算法的概述、设计准则以及研究机会。
- 无线频谱数据的深度特征学习
通过使用卷积神经网络,我们在无监督学习的过程中提出了一种基于特征工程的模型,该模型能够自动地学习适用于无线传输聚类的特征表示方法。相对于基准的主成分分析(PCA),我们的模型自动学习由比基准少 99.3% 的组成部分组成的输入数据的降维表示 - 学习未知统计量的非静态无线网络调度
对于具有部分可观察和时变动力学的大规模无线网络,本文研究了一种面向广义干扰约束的无线网络的高效调度算法,其中平均到达率和平均服务率是未知的和非平稳的。我们提出了一种新颖的算法 MW-UCB 用于广义无线网络调度,它基于最大权重策略,并利用滑 - 无线联邦学习中数据异构的分析与优化
本文针对数据异构性与无线资源分配相结合的无线联邦学习问题,提出了性能分析与优化的方法,在考虑数据异构性的同时,优化客户端调度、资源分配和本地训练轮数,通过实验验证了该算法在学习准确性和能量消耗方面的优势。
- MM基于数据驱动的无线网络延迟概率预测:关注尾部概率
使用数据驱动的方法,预测网络参数条件下稀有延迟的概率分布尾部,以实现对无线传输中的网络延迟的更精确控制。