- 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。
- STAR-RIS 辅助网络中的 DRL 启用覆盖和容量优化
通过多目标策略优化算法提出一种优化方法,以实现 STAR-RIS 辅助网络中的覆盖率和容量性能的优化。数值结果表明,所研究的算法优于传统的 MO 优化算法在不同情况下,包括样本网格的数量,STAR-RIS 的数量,STAR-RIS 的元素数 - 无线网络中基于图神经网络的隐私保护分散推断
本文研究了使用图神经网络实现无线优化问题的去中心化控制 / 管理,提出了设计隐私保护信号和隐私保障训练算法来实现隐私保护推断,并在合成图数据上进行了广泛的模拟以验证理论分析。
- MMAttentionCode: 短数据包超可靠反馈编码
本论文探讨了利用接收器反馈信息实现超可靠短数据包通信的新模式,提出 AttentionCode 这类深度学习反馈码。AttentionCode 是由 AttentionNet、输入数据重构和自适应衰落信道等三个创新技术与大批量、分布式学习、 - 5G/6G 核心网络智能支持:NWDAF 实现和初步分析
本文中,作者将功能性的 5G Core Network Data Analytics Function(NWDAF)应用于基于开源软件的 5G 网络,从而通过智能分析和处理方法来提供支持高数据速率,低延迟和可靠性要求的 5G 网络。文章提出 - 无线量化联邦学习:一种联合计算和通信设计
本文旨在通过在上传之前对本地模型参数进行量化,最小化联邦学习的总收敛时间,以保证在所有全局轮次中的最小收敛时间。我们利用随机量化对 FL 算法的收敛性进行了收敛分析,同时综合优化了计算,通讯资源和量化比特数,以保证在所有全局轮次中的最小收敛 - 车联网中的人工智能:以 ns-3 为例的案例研究
本文在 ns-3 仿真平台上实现了基于人工智能算法的无线网络优化,通过新的应用程序模拟车对所有策略的传输,基于强化学习模块实现预测服务质量,相较于基线方案,在实现人工智能之后优化网络的效果更好。
- 利用侧面信息改进无线网络中的在线学习算法
本文研究了在无线网络中,如何利用与数据速率具有相关性的测量质量参数,研发了新的学习算法,显著提高了数据传输效率。
- 远程操作驾驶场景中的 PQoS 强化学习框架
本文提出了一个基于强化学习的 PQoS 功能设计,重点是学习代理的奖励函数设计及将 QoS 估计转换为适当的对策,实现了在受控驾驶场景下最佳 QoS 和 QoE 性能。
- 3GPP Release 18 中 5G 先进演进概述
3GPP 的第 18 版释放被称为 5G Advanced,并将采用人工智能和机器学习等技术来提供数据驱动、智能化网络解决方案,这将对未来的无线网络产生深远影响。
- 基于特征选择的入侵检测系统:采用遗传鲸优化算法与基于样本分类
本文提出了一种基于特征选择算法的网络入侵检测系统,该算法采用鲸鱼优化算法和遗传算法来挑选入侵节点特征,并结合 KNN 分类算法进行检测,实验结果表明该方法在准确性方面具有优越性。
- 6G 的边缘人工智能:愿景、实现技术和应用
本文介绍了一种将模型训练和推断能力嵌入到网络边缘的边缘人工智能技术,为 6G 提供了一种优化网络效率、效果、隐私和安全的解决方案,并提出了新的无线网络设计原则、面向服务的资源分配优化方法、端到端的架构以支持边缘人工智能。
- MM联邦量化神经网络中能量、精度和准确性的平衡
本文提出了一个基于固定精度的 QNN 的量化 FL 框架,从而在保证收敛的前提下,优化了精度与能耗之间的平衡,实现了在无线网络上的 FL,且相比标准 FL 算法,能耗降低了最多 53%
- MM神经校准通讯的学习:可扩展性与泛化
本文提出了一种可扩展和通用的神经校准框架,其中采用神经网络来校准传统基于模型的算法的输入,应用于解决大规模 MIMO 系统中的资源管理问题,并表明与现有的基于学习的方法相比,提出的神经校准方法具有更好的可伸缩性和普适性。
- MM使用图神经网络进行链路调度
本文提出了一种基于图卷积网络(GCN)的快速启发式调度策略,该策略可在集中式和分布式环境下实现。采用树搜索和 GCN 指导的一步展开的中心式启发式策略能快速的达到接近最优的解,基于浅层 GCN 的分布式启发式策略能减少近 50%的子最优解差 - MM无线网络中图神经网络应用综述
本文简要介绍了 GNN(图神经网络)的构建方法和在无线网络中的应用,包括资源分配和新兴领域的探索,并探讨了 GNN 在无线通信系统中应用的几个研究方向和趋势。
- MM关于网络内学习的比较研究:与联邦学习和分割学习的对比
本文探讨通过在无线网络中分布式提取特征,使用 “网络内学习” 来进行推理的问题。我们详细阐述了我们提出的体系结构,提供了一种适当的损失函数,并讨论了使用神经网络进行优化的方法。我们比较了其性能与联邦和分散学习相比,并展示了该体系结构提供更好 - 无线网络中的分布式学习:最近进展与未来挑战
本文主要研究了分布式学习如何在无线边缘网络中高效地部署,主要介绍了联邦学习、联邦蒸馏、分布式推理和多智能体强化学习等多种分布式学习范例,并提供了详细的文献综述和通信技术优化实例,旨在为实际无线通信网络中分布式学习的部署提供个整体指导原则。
- MM关于不完美 CSI 下无线网络联邦学习的收敛时间
本文提出了一种训练过程,利用频道统计信息作为偏差来减小联邦机器学习模型的收敛时间,并通过数值实验证明可以通过忽略不能维持最小预定传输速率的客户端的模型更新来减少训练时间,同时研究参与训练的客户端数量与模型精度之间的权衡关系。
- AI - 驱动未来无线网络:挑战、机遇与开放问题
本文调查了利用机器学习技术提高无线网络性能方面的最新研究,并提出挑战和未解决的问题,为研究人员提供了一条路线图。