- 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。
- 无线网络中的个性化资源分配:基于人工智能和大数据驱动的多目标优化
在 5G 及以后的时代,随着无线网络设计和优化中的复杂性不断增加,人工智能(AI)的使用被认为是解决实时极复杂问题的灵活适用的方法之一。本文提出了通过智能大数据驱动层来实现个人化网络服务,并优化网络资源,达到节省资源和提高用户满意度的目标。
- 无线网络上的联邦学习:通过随机接入实现分布式用户选择
分布式用户选择的网络本质方法,利用随机接入中的无线电资源竞争机制,通过操纵争用窗口大小来优先考虑特定的用户获取无线电资源,以快速实现类似于集中式用户选择方法的收敛。
- 大型语言模型赋能连接智能自主边缘人工智能
无线网络的演变趋势是朝着连接智能化发展,边缘人工智能作为一种有前景的解决方案,通过在网络边缘提供高质量、低延迟和保护隐私的人工智能服务来实现连接智能化。本文介绍了一种自主边缘人工智能系统,它自动组织、自适应并优化自身以满足用户的多样化需求。 - 空中联邦学习:现状、挑战和未来方向
本文综述了 OTA-FL 技术的发展和应用,并从系统设置、安全与隐私等方面对 OTA-FL 进行分类和分析,提出了未来 OTA-FL 系统性能、可靠性和可信度的挑战和发展方向。
- 大型语言模型在电信行业的应用:下一个重大趋势?
介绍引导性人工智能在电信领域中,为无线网络提供新机遇与应用的可能性,借助大型语言模型技术,实现具有人工智能的无线通信新领域的发展。
- 基于大数据和人工智能的框架,实现无线网络的个性化
提出一种基于 AI、大数据分析和实时非侵入式用户反馈的个性化网络方案,以满足用户服务质量需求和实现用户满意度的同时,实现网络资源的高效优化。
- 通过边剪枝加速图神经网络,用于在无线网络中进行功率分配
本研究提出了基于邻居节点的阈值方法,用于减少无线网络中图神经网络算法的复杂度,同时保持较强的性能,并分析了不同通信信道情况下适当选择距离阈值和邻居阈值的建议。结果表明,所提出的 GNN 方法在降低时间复杂度方面具有显着优势,并且通过选择适当 - 分层无线网络中的自适应联邦剪枝
本文在无线网络中为分层式联邦学习引入了模型剪枝技术,通过联合优化剪枝比例和无线资源分配,旨在最大化模型收敛速度以达到给定延迟阈值,并通过解耦优化问题和使用 KKT 条件得出了剪枝比例和无线资源分配的闭式解,并通过模拟结果展示了模型剪枝在 H - 有限 CSI 下基于联合深度强化学习的太赫兹波束搜索
本文介绍了使用联邦深度强化学习方法,在部分有限的信道状态信息下,协调无线网络中的基站以快速搜索 THz 波束赋形策略,并在一定程度上缓解干扰的方法,该方法在已有的较传统的优化方法上表现更好。
- 无线联邦学习中具有可证保证的传输学习
本文提出了一种新的数据驱动方法,可为干扰限制的无线网络上的联邦学习分配传输功率,使用图卷积网络来参数化功率分配策略,并通过 primacy-dual 算法求解相关的约束优化问题,从而实现优化 FL 过程中服务端接收到的信息,最终提高全局 F - MM无线信道图:理论,实践和应用
本文介绍了 “信道绘图” 框架的理论基础,以及该框架在无线通信系统中应用的算法、实验结果和具体应用实例,同时讨论了未来的发展和挑战,以及在下一代无线网络中 “信道绘图” 的作用。
- MM多用户干扰网络波束成形的深度图解
利用图神经网络优化多用户多输入多输出无线自组织干扰网络中的波束成形,性能表现优于传统的 WMMSE 方法和基于学习的最新方法。
- 无线网络异常检测的容错分布式学习
本文提出了一种名为 'Tol-FL' 的新型方法,将平面拓扑和星形拓扑相结合,以提高分散式技术的鲁棒性,并在客户端和服务器故障等方面表现优异,是无线网络异常检测分布式模型训练的高度合适方法。
- 通过语义多元宇宙通讯实现无线元宇宙
本文提出了一种基于 6G 无线系统的新型语义通信框架,将元宇宙分解成人 / 机器代理专用的语义多元宇宙,每个代理保存一个语义编码器和一个生成器,利用 AI 技术来提高通信效率并处理本地场景和交互。此框架可以应用于分布式学习、多智能体强化学习 - ResFed: 通过传输深度压缩残差实现通信高效的联邦学习
提出一种基于残差的联邦学习(ResFed)框架,通过稀疏化和量化残差,实现通信效率的提高,大大减少了在无线网络中应用联邦学习所需要的大量通信成本。
- 非无线和无线网络上的联邦和元学习:教程
本文综述了联邦学习、元学习和联邦元学习在非无线与无线网络中的设计、优化和应用,并分析了这些学习算法之间的关系以及它们在实际应用中的优缺点。
- 基于专家乘积的空中高斯过程回归
本文提出了一种分布式高斯过程回归 (GPR),名为 AirComp GPR,通过空中计算来实现通信和计算效率,用于无线网络上的数据分析。通过将 GPR 的复杂计算转化为从分布式节点收集数据,实现了较高的计算速度和通信效率。
- 面向下一代无线网络的安全和加速深度强化学习
本文主要讨论了 DRL 技术在无线网络领域中的应用,提出了安全性和加速性等难点问题,并对安全加速 DRL 的解决方案进行了分类和讨论,最后通过案例研究展示了如何通过传输学习和安全探索来加速智能无线接入网络的 DRL 控制器收敛。
- 合作多智能体强化学习中实用通信策略的学习
本文提出了一个框架,利用神经消息编码器来学习多智能体强化学习中的通信策略,包括消息传输时机、消息内容以及如何保留消息信息。模拟实际的无线网络环境下,与现有技术相比,该框架在游戏性能、收敛速度和通信效率方面都有显著提高。