研究论文 在上共享 用于6G无线网络大规模优化的机器学习作者:延东 施,李翔 廉,圆明 施,紫欣 王,+ 5,永 周,利群 傅,+ 3,林 白,六月 张、和世界环境学会 张 (减去)作者信息和声明IEEE通信调查与教程,体积25,问题4页2088-2132https://doi.org/10.109/COMST.2023.3300664出版:2023年8月1日 出版历史 获取引文提醒新增引文提醒!此警报已成功添加,将发送到:只要您选择的记录被引用,您就会收到通知。新的引文警报!拜托登录到您的帐户 目录IEEE通信调查与教程体积25,问题4以前的文章基于毫米波的人体传感技术、平台和应用综述上一个下一篇文章纠缠辅助量子网络:力学、使能技术、挑战和研究方向下一步摘要工具书类信息和贡献者文献计量学和引文视图选项工具书类媒体桌子分享摘要第六代(6G)无线系统旨在实现从“;相关事物”;至“;互联智能”;,其特点是超高密度、大规模、动态异构、多样化的功能需求和机器学习能力,这导致对高效智能算法的需求越来越大。经典的基于优化的算法通常需要高精度的数据链路数学模型,在实际6G应用中性能较差,计算成本较高。基于领域知识(如优化模型和理论工具),机器学习(ML)以其优越的性能、计算效率、可扩展性和可推广性,成为6G中许多复杂大规模优化问题的一种有前途和可行的方法。在本文中,我们系统地回顾了最具代表性的“;学习优化”;通过识别底层优化问题的固有特征并从优化的角度研究专门设计的ML框架,在6G无线网络的不同领域中使用技术。特别是,我们将介绍算法展开、学习到分支和定界、用于结构化优化的图形神经网络、用于随机优化的深度强化学习、用于语义优化的端到端学习以及用于分布式优化的无线联合学习,它们能够解决各种关键无线应用程序产生的具有挑战性的大规模问题。通过深入讨论,我们揭示了基于ML的优化算法相对于经典方法的优异性能,并为在6G网络中开发高级ML技术提供了深刻的指导。为了支持ML模型在6G无线网络中的实际应用,还讨论了神经网络设计、不同ML方法的理论工具、实现问题以及面临的挑战和未来的研究方向。工具书类[1]H.Guo、J.Li、J.刘、N.Tian和N.Kato,“6G中的空-空-地-空综合网络安全调查”IEEE通信。测量教程。,第24卷,第1期,第53–87页,第1季度。,2022交叉参考谷歌学者[2]B.Mao、F.Tang、Y.Kawamoto和N.Kato,“面向6G的绿色通信AI模型”IEEE通信。测量教程。,第24卷,第1期,第210–247页,第1季度。,2022交叉参考谷歌学者[3]K.B.Letaief、W.Chen、Y.Shi、J.Zhang和Y.-J.A.Zhang,“6G的路线图:AI授权无线网络,”IEEE通信。美格。,第57卷,第8期,第84-90页,2019年8月。数字图书馆谷歌学者[4]IMT-2030(6G)推广小组。“6G愿景和候选技术.“访问日期:2022年8月。[在线]。可用:https://www.caict.ac.cn/english/news/202106/P0202106083496163475.pdf谷歌学者[5]H.Duet al.,“metaverse xURLLC服务的注意力软件资源分配和QoE分析”,2022年,arxiv.abs/2208.05438.谷歌学者[6]H.Tataria、M.Shafi、A.F.Molisch、M.Dohler、H.Sjöland和F.Tufvesson,“6G无线系统:愿景、需求、挑战、洞察力和机遇,”程序。美国电气工程师协会第109卷,第7期,第1166–1199页,2021年7月。交叉参考谷歌学者[7]Y.Shi、K.Yang、T.Jiang、J.Zhang和K.B.Letaief,“通信高效边缘人工智能:算法和系统”IEEE通信。测量教程。,第22卷,第4期,第2167–2191页,第4夸脱。,2020交叉参考谷歌学者[8]N.Komodakis和J.-C.Pesquet,“玩弄二元性:解决大规模优化问题的最新原始-双重方法概述”IEEE信号处理。美格。,第32卷,第6期,第31-54页,2015年11月。交叉参考谷歌学者[9]Y.Shi、J.Zhang、K.B.Letaief、B.Bai和W.Chen,“超稠密云RAN的大规模凸优化”IEEE无线通信。,第22卷,第3期,第84-91页,2015年6月。谷歌学者[10]Z.Feng、Z.Wei、X.Chen、H.Yang、Q.Zhang和P.Zhang,“联合通信、传感和计算支持的6G智能机器系统,”IEEE网络。,第35卷,第6期,第34-42页,2021年11月/12月。数字图书馆谷歌学者[11]K.B.Letaief、Y.Shi、J.Lu和J.Lu.,“6G边缘人工智能:愿景、使能技术和应用”IEEE J.选择。公共区域。,第40卷,第1期,第5-36页,2022年1月。数字图书馆谷歌学者[12]E.Beck、C.Bockelmann和A.Dekorsy,“语义通信:信息瓶颈观点”,2022年,arXiv公司:2204.13366.谷歌学者[13]B.Li,L.-L.Yang,R.Maunder,S.Sun和P.Xiao,“用于多载波分双工无小区大规模MIMO系统中功率分配的异构图神经网络”,2022,arXiv公司:2205.00546.谷歌学者[14]C.Jeon、R.Ghods、A.Maleki和C.Studer,《通过近似消息传递实现大型MIMO检测的优化》,in程序。IEEE国际标准。信息理论(ISIT)2015年6月,第1227–1231页。谷歌学者[15]J.A.Tropp和A.C.Gilbert,“通过正交匹配追踪从随机测量中恢复信号”IEEE传输。Inf.理论第53卷,第12期,第4655–4666页,2007年12月。数字图书馆谷歌学者[16]S.P.Boyd、N.Parikh、E.K.W.Chu、B.Peleato和J.Eckstein,“通过交替方向乘数法进行分布式优化和统计学习”已找到。趋势马赫数。学习。2011年,第3卷,第1期,第1-122页。数字图书馆谷歌学者[17]M.Khani、M.Alizadeh、J.Hoydis和P.Fleming,“大规模MIMO的自适应神经信号检测”IEEE传输。无线通信。,第19卷,第8期,第5635–5648页,2020年8月。交叉参考谷歌学者[18]L.Wan、K.Liu和W.Zhang,“毫米波蜂窝系统的深度学习辅助离网信道估计”IEEE传输。无线通信。第21卷,第5期,第3333–3348页,2022年5月。数字图书馆谷歌学者[19]J.Jalden和B.Ottersten,“半定弛豫检测器的多样性阶”IEEE传输。Inf.理论第54卷,第4期,第1406–1422页,2008年4月。数字图书馆谷歌学者[20]A.Konar和N.Sidiropoulos,“使用一阶方法求解一类非凸QCQP问题的快速近似算法”IEEE传输。信号处理。,第65卷,第13期,第3494-3509页,2017年7月。数字图书馆谷歌学者[21]W.Fang、Y.Jiang、Y.Shi、Y.Zhou、W.Chen和K.B.Letaief,“通过可重构智能表面进行空中计算”IEEE传输。Commun公司。,第69卷,第12期,第8612–8626页,2021年12月。谷歌学者[22]W.Yu、F.Sohrabi和T.Jiang,“深度学习在无线通信中的作用”IEEE BITS信息理论杂志。,第2卷,第2期,第56-72页,2022年11月。谷歌学者[23]X.Shao、X.Chen、Y.Qiang、C.Zhong和Z.Zhang,“用于大规模设备检测的特征辅助自适应调整深度学习”IEEE J.选择。公共区域。第39卷,第7期,第1899-1914页,2021年7月。谷歌学者[24]Y.Shi、H·Choi、Y·Shi和Y.Zhou,“通过具有理论保证的深层神经网络展开大规模访问的算法”IEEE传输。无线通信。第21卷,第2期,第945-959页,2022年2月。数字图书馆谷歌学者[25]Y.Shen、Y.Shi、J.Zhang和K.B.Letaief,“LORM:学习优化无线网络中的资源管理,只需很少的训练样本,”IEEE传输。无线通信。,第19卷,第1期,第665-679页,2020年1月。谷歌学者[26]Q.Hu、Y.Cai、Q.Shi、K.Xu、G.Yu和Z.Ding,“迭代算法诱导的深度折叠神经网络:多用户MIMO系统的预编码设计”IEEE传输。无线通信。,第20卷,第2期,第1394-1410页,2021年2月。数字图书馆谷歌学者[27]D.Moltchanov、E.Sopin、V.Begishev、A.Samuylov、Y.Koucheryavy和K.Samouylov,“5G/6G毫米波和太赫兹蜂窝系统数学建模教程”IEEE通信。测量教程。,第24卷,第2期,第1072-1116页,第2季度。,2022交叉参考谷歌学者[28]B.Amos,“学习在连续域上优化的摊销优化教程”,2022年,arXiv:2202.00665.谷歌学者[29]N.Shlezinger、Y.C.Eldar和S.P.Boyd,“基于模型的深度学习:关于深度学习和优化的交叉点,”IEEE接入第10卷,第115384–115398页,2022年。谷歌学者[30]Y.Shen、J.Zhang、S.H.Song和K.B.Letaief,“无线通信的图形神经网络:从理论到实践”IEEE传输。无线通信。第22卷,第5期,第3554–3569页,2023年5月。数字图书馆谷歌学者[31]A.Zappone、M.Di Renzo和M.Debbah,“深度学习时代的无线网络设计:基于模型、基于AI还是两者兼而有之?”IEEE传输。Commun公司。,第67卷,第10期,第7331–7376页,2019年10月。交叉参考谷歌学者[32]H.He、C.-K.Wen、S.Jin和G.Y.Li,“MIMO检测的模型驱动深度学习”IEEE传输。信号处理。第68卷,第1702-1715页,2020年。交叉参考谷歌学者[33]X.Wei、C.Hu和L.Dai,“毫米波大规模MIMO系统中波束空间信道估计的深度学习”IEEE传输。Commun公司。第69卷,第1期,第182-193页,2021年1月。谷歌学者[34]沈义勇、石义勇、张建军和K.B.Letaief,“可扩展无线资源管理的图形神经网络:架构设计和理论分析”IEEE J.选择。公共区域。第39卷,第1期,第101-115页,2021年1月。数字图书馆谷歌学者[35]Y.Ma、Y.Shen、X.Yu、J.Zhang、S.H.Song和K.B.Letaief,“学习与神经校准沟通:可扩展性和泛化,”IEEE传输。无线通信。,第21卷,第11期,第9947–9961页,2022年11月。谷歌学者[36]A.Khan、C.Zhang、D.D.Lee、V.Kumar和A.Ribeiro,“通过策略梯度的可扩展集中式深度多智能体强化学习”,2018年,arXiv:1805.08776.谷歌学者[37]W.Tong和G.Y.Li,“6G在人工智能和无线通信方面的九大挑战,”IEEE无线通信。,第29卷,第4期,第140–145页,2022年8月。数字图书馆谷歌学者[38]H.Sun、W.Pu、X.Fu、T.H.Chang和M.Hong,“学习在动态环境中持续优化无线资源:双层优化视角,”IEEE传输。信号处理。第70卷,第1900–1917页,2022年。谷歌学者[39]J.Zhang、Y.He、Y.-W.Li、C.-K.Wen和S.Jin,“基于元学习的MIMO检测器:设计、模拟和实验测试”IEEE传输。无线通信。第20卷,第2期,第1122-1137页,2020年2月。谷歌学者[40]Z.Wang、J.Zong、Y.Zhou、Y.Shi和V.W.S.Wong,“频率复用无线网络中的分散多代理功率控制”IEEE传输。Commun公司。第70卷,第3期,第1666–1681页,2022年3月。谷歌学者[41]G.Shi、Y.Xiao、Y.Li和X.Xie,“从语义通信到语义感知网络:模型、架构和开放问题,”IEEE通信。美格。,第59卷,第8期,第44-50页,2021年8月。交叉参考谷歌学者[42]A.M.Elbir、A.K.Papazafeiropoulos和S.Chatzinotas,“物理层设计的联合学习”IEEE通信。美格。第59卷,第11期,第81–87页,2021年11月。数字图书馆谷歌学者[43]M.Soltani、V.Pourahmadi、A.Mirzaei和H.Sheikhzadeh,“基于深度学习的信道估计,”IEEE通信。莱特。,第23卷,第4期,第652-655页,2019年4月。交叉参考谷歌学者[44]S.Haykin和N.Network,“综合基金会”神经网络。,第2卷,第41页,2004年2月。数字图书馆谷歌学者[45]H.Ye、G.Y.Li和B.F.Juang,“V2V通信基于深度强化学习的资源分配”IEEE传输。车辆。Technol公司。第68卷,第4期,第3163–3173页,2019年4月。交叉参考谷歌学者[46]N.Samuel、T.Diskin和A.Wiesel,“学习检测”IEEE传输。信号处理。,第67卷,第10期,第2554–2564页,2019年5月。交叉参考谷歌学者[47]H.Xie、Z.Qin、G.Y.Li和B.-H.Juang,“支持深度学习的语义通信系统”IEEE传输。信号处理。第69卷,第2663–2675页,2021年。交叉参考谷歌学者[48]V.Monga、Y.Li和Y.C.Eldar,“算法展开:信号和图像处理的可解释、高效深度学习”IEEE信号处理。美格。第38卷,第2期,第18-44页,2021年3月。交叉参考谷歌学者[49]O.Simeone,“简单介绍机器学习及其在通信系统中的应用,”IEEE传输。认知。Commun公司。Netw公司。,第4卷,第4期,第648–664页,2018年12月。交叉参考谷歌学者[50]Q.Mao、F.Hu和Q.Hao,“智能无线网络的深度学习:综合调查”IEEE通信。测量教程。,第20卷,第4期,第2595–2621页,第4夸脱。,2018数字图书馆谷歌学者[51]B.Ozpoyraz、A.T.Dogukan、Y.Gevez、U.Altun和E.Basar,“深度学习辅助的6G无线网络:革命性物理物理架构的综合调查”IEEE开放J.Commun。Soc公司。第3卷,第1749–1809页,2022年。交叉参考谷歌学者[52]C.Zhang、P.Patras和H.Haddadi,“移动和无线网络的深度学习:调查”IEEE通信。测量教程。,第21卷,第3期,第2224–2287页,第3季度。,2019.交叉参考谷歌学者[53]M.Chen、U.Challita、W.Saad、C.Yin和M.Debbah,“人工智能无线网络的机器学习:神经网络教程”IEEE通信。调查图茨。,第21卷,第4期,第3039–3071页,第4季度。,2019.数字图书馆谷歌学者[54]D.Gündüz、P.de Kerret、N.D.Sidiropoulos、D.Gesbert、C.R.Murthy和M.van der Schaar,“空中机器学习”IEEE J.选择。公共区域。,第37卷,第10期,第2184–2199页,2019年10月。交叉参考谷歌学者[55]M.Lee、G.Yu、H.Dai和G.Y.Li,“图形神经网络满足无线通信:动机、应用和未来方向,”IEEE无线通信。,第29卷,第5期,第12-19页,2022年10月。谷歌学者[56]W.Yang等人,“未来互联网的语义通信:基础、应用和挑战”IEEE通信。测量教程。,第25卷,第1期,第213-250页,第1夸脱。,2023数字图书馆谷歌学者[57]N.C.Luonget al.,“深度强化学习在通信和网络中的应用:调查”IEEE通信。测量教程。,第21卷,第4期,第3133–3174页,第4夸脱。,2019.数字图书馆谷歌学者[58]F.Tang、B.Mao、N.Kato和G.Gui,“车辆网络中机器学习的综合调查:技术、应用和挑战”IEEE通信。调查图茨。,第23卷,第3期,第2027–2057页,第3季度。,2021交叉参考谷歌学者[59]H.Djigal、J.Xu、L.Liu和Y.Zhang,“多访问边缘计算中资源分配的机器和深度学习:调查”IEEE通信。调查图茨。第24卷,第4期,第2449–2494页,第4夸脱。,2022交叉参考谷歌学者[60]L.Lei、Y.Tan、K.Zheng、S.Liu、K.张和X.Shen,“自主物联网的深度强化学习:模型、应用和挑战”IEEE通信。测量教程。第22卷,第3期,第1722-1760页,第3夸脱。,2020交叉参考谷歌学者[61]A.Liu、R.Yang、T.Q.S.Quek和M.-J.Zhao,“通过原始-对偶分解和深度展开的两阶段随机优化,”IEEE传输。信号处理。第69卷,第3000-3015页,2021年。谷歌学者[62]Z.Zhang和M.Tao,“无线通信应用中非凸复模量约束问题的基于学习的分支和界限”IEEE传输。无线通信。第21卷,第6期,第3752–3763页,2022年6月。数字图书馆谷歌学者[63]T.Jiang、H.V.Cheng和W.Yu,“利用隐式信道估计学习智能反射面的反射和波束形成”IEEE J.选择。公共区域。第39卷,第7期,第1931-1945页,2021年7月。谷歌学者[64]M.Eisen和A.Ribeiro,“使用随机边缘图神经网络的最佳无线资源分配”IEEE传输。信号处理。第68卷,第2977–2991页,2020年。交叉参考谷歌学者[65]M.Lee、G.Yu和G.Y.Li,“基于图形嵌入的无线链路调度,训练样本较少,”IEEE传输。无线通信。第20卷,第4期,第2282–2294页,2021年4月。谷歌学者[66]Z.Wang、M.Eisen和A.R.Ribeiro,“利用图形神经网络学习分散无线资源分配,”IEEE传输。信号处理。第70卷,第1850–1863页,2022年。交叉参考谷歌学者[67]K.Guo等人,“用于交通预测的优化图卷积递归神经网络”IEEE传输。智力。运输。系统。第22卷,第2期,第1138–1149页,2020年2月。交叉参考谷歌学者[68]Y.Yang、S.Zhang、F.Gao、J.Ma和O.A.Dobre,“大规模MIMO网络的基于图神经网络的信道跟踪,”IEEE通信。莱特。,第24卷,第8期,第1747-1751页,2020年8月。交叉参考谷歌学者[69]C.Choe、S.Baek、B.Woon和S.Kong,《使用LSTM进行交通灯控制的深度Q学习》程序。亚太地区。Conf.Commun公司。(APCC)2018年,第331-336页。谷歌学者[70]Z.Xu、Y.Wang、J.Tang、J.Wang和M.C.Gursoy,《云RAN中基于深度强化学习的节能资源分配框架》程序。IEEE国际协调委员会。(国际商会)2017年,第1-6页。谷歌学者[71]H.Ke、J.Wang、H.Wang和Y.Ge,“物联网设备可再生能源感知数据卸载和资源分配的联合优化:深度强化学习方法,”IEEE接入第7卷,第179349–179363页,2019年。交叉参考谷歌学者[72]H.Liao、Z.Zhou、X.Zhao和Y.Wang,“基于学习的空-空-地一体化电力物联网队列软件任务卸载和资源分配,”IEEE互联网事物杂志。,第8卷,第7期,第5250–5263页,2021年4月。交叉参考谷歌学者[73]Y.S.Nasir和D.Guo,“无线网络动态功率分配的多代理深度强化学习”IEEE J.选择。公共区域。,第37卷,第10期,第2239–2250页,2019年10月。交叉参考谷歌学者[74]H.Xie和Z.Qin,“物联网的精简分布式语义通信系统,”IEEE J.选择。公共区域。,第39卷,第1期,第142-153页,2020年1月。谷歌学者[75]J.Kanget等人,“任务导向语义通信中的个性化显著性:图像传输和性能分析”IEEE J.选择。公共区域。,第41卷,第1期,第186–201页,2023年1月。交叉参考谷歌学者[76]S.Wang等人,“无线深层视频语义传输”IEEE J.选择。公共区域。,第41卷,第1期,第214-229页,2023年1月。谷歌学者[77]翁振中、秦振中,“语音传输的语义通信系统”IEEE J.选择。公共区域。第39卷,第8期,第2434–2444页,2021年8月。交叉参考谷歌学者[78]H.Zhang、S.Shao、M.Tao、X.Bi和K.B.Letaief,“具有任务-导航发送器和动态数据的支持深度学习的语义通信系统,”IEEE J.选择。公共区域。第69卷,第2663–2675页,2021年。谷歌学者[79]A.M.Elbir和S.Coleri,“毫米波大规模MIMO中混合波束形成的联合学习”IEEE通信。莱特。第24卷,第12期,第2795–2799页,2020年12月。谷歌学者[80]A.M.Elbir和S.Coleri,“传统和RIS辅助的大规模MIMO中信道估计的联合学习”IEEE传输。无线通信。,第21卷,第6期,第4255-4268页,2022年6月。数字图书馆谷歌学者[81]H.Wang、Z.Kaplan、D.Niu和B.Li,《利用强化学习优化非IID数据的联合学习》程序。IEEE配置计算。Commun公司。(信息通信)2020年,第1698-1707页。谷歌学者[82]H.Zhang、M.Tao、Y.Shi和X.Bi,《非平稳异构数据的联合多任务学习》程序。IEEE国际协调委员会。(国际商会)2022年5月,第4950–4955页。谷歌学者[83]孙毅、彭明明、周毅、黄毅和毛S.,“机器学习在无线网络中的应用:关键技术和开放问题”IEEE通信。测量教程。,第21卷,第4期,第3072–3108页,第4季度。,2019.数字图书馆谷歌学者[84]K.Gregor和Y.LeCun,“学习稀疏编码的快速近似”,in程序。内部配置机。学习。(ICML)2010年6月,第399-406页。谷歌学者[85]M.Borgerding、P.Schniter和S.Rangan,“稀疏线性反问题的AMP激励深度网络”IEEE传输。信号处理。,第65卷,第16期,第4293–4308页,2017年8月。数字图书馆谷歌学者[86]T.Chenet等人,“学习优化:入门和基准”,2021年,arXiv:2103.12828.谷歌学者[87]Y.Yang、J.Sun、H.Li和Z.Xu,“ADMM-CSNet:图像压缩传感的深度学习方法”IEEE传输。模式分析。机器。智力。,第42卷,第3期,第521–538页,2018年3月。交叉参考谷歌学者[88]Y.Li、M.Tofighi、V.Monga和Y.C.Eldar,《深度图像去模糊的算法展开方法》程序。IEEE国际认证。语音信号处理。(ICASSP)英国布莱顿,2019年5月,第7675–7679页。谷歌学者[89]Y.Chen和T.Pock,“可训练非线性反应扩散:快速有效图像恢复的灵活框架”IEEE传输。模式分析。机器。智力。,第39卷,第6期,第1256–1272页,2016年6月。数字图书馆谷歌学者[90]E.Beck、C.Bockelmann和A.Dekorsy,“CMDNet:学习离散变量的概率松弛以实现低复杂度的软检测,”IEEE传输。Commun公司。第69卷,第12期,第8214–8227页,2021年12月。谷歌学者[91]T.Yassine和L.Le Magoarou,“mpNet:用于大规模MIMO信道估计的可变深度展开神经网络,”IEEE传输。无线通信。第21卷,第7期,第5703–5714页,2022年7月。数字图书馆谷歌学者[92]Z.Mao、X.Liu、M.Peng、Z.Chen和G.Wei,“物联网大规模接入的联合信道估计和主动用户检测——深度学习方法”IEEE互联网事物杂志。第9卷,第4期,第2870–2881页,2022年2月。谷歌学者[93]M.-M.Zhao、A.Liu、Y.Wan和R.Zhang,“具有QoS约束的智能反射面辅助多用户通信的双时间尺度波束形成优化,”IEEE传输。无线通信。第20卷,第9期,第6179–6194页,2021年9月。谷歌学者[94]S.He、S.Xiong、Z.An、W.Zhang、Y.Huang和Y.Zhang.“无线网络中约束优化问题的无监督深度展开框架,”IEEE传输。无线通信。,第21卷,第10期,第8552–8564页,2022年10月。谷歌学者[95]Z.Qin、J.Fan、Y.Liu、Y.Gao和G.Y.Li,“无线通信的稀疏表示:压缩传感方法”IEEE信号处理。美格。,第35卷,第3期,第40-58页,2018年5月。谷歌学者[96]Y.Shi、J.Zhang、W.Chen和K.B.Letaief,“超稠密网络的广义稀疏和低阶优化”IEEE通信。美格。,第56卷,第6期,第42-48页,2018年6月。交叉参考谷歌学者[97]E.Björnson、J.Hoydis和L.Sanguinetti,“大规模MIMO网络:频谱、能量和硬件效率,”已找到。趋势信号处理。2017年,第11卷,第3-4期,第154-655页。数字图书馆谷歌学者[98]E.Viterbo和J.Boutros,“衰落信道的通用格码解码器”IEEE传输。Inf.理论第45卷,第5期,第1639-1642页,1999年7月。数字图书馆谷歌学者[99]Q.Shi、M.Razaviyayn、Z.-Q.Luo和C.He,“MIMO干扰广播信道分布式和效用最大化的迭代加权MMSE方法,”IEEE传输。信号处理。,第59卷,第9期,第4331–4340页,2011年9月。数字图书馆谷歌学者[100]Y.Li、M.-R.Tofighi、J.Geng、V.Monga和Y.C.Eldar,“通过算法展开实现高效且可解释的深度盲图像去模糊,”IEEE传输。计算。图像。第6卷,第666–681页,2020年。交叉参考谷歌学者[101]A.H.Land和A.G.Doig,“解决离散编程问题的自动方法”《计量经济学杂志》。第8卷,第497–520页,1960年7月。谷歌学者[102]L.Huang et al.,“混合整数线性规划问题的分支和定界:技术和趋势调查”,2021,arXiv:2111.06257.谷歌学者[103]A.M.Alvarez、Q.Louveaux和L.Wehenkel,“基于机器学习的强分支近似,”信息J.计算。,第29卷,第1期,第185–195页,2017年。数字图书馆谷歌学者[104]D.R.Morrison、S.H.Jacobson、J.J.Sauppe和E.C.Sewell,“分枝定界算法:搜索、分枝和修剪的最新进展综述”离散。最佳方案。第19卷,第79-102页,2016年2月。数字图书馆谷歌学者[105]M.Gasse、D.Chételat、N.Ferroni、L.Charlin和A.Lodi,“图卷积神经网络的精确组合优化”,in程序。高级神经信息处理。系统。(NeurIPS)2019年,第15554–15566页。谷歌学者[106]V.Nairet等人,“使用神经网络解决混合整数规划”,2020年,arXiv公司:2012.13349.谷歌学者[107]H.He、H.Daume和J.M.Eisner,“学习在分支定界算法中搜索”,in程序。高级神经信息处理。系统。(NeurIPS)2014年第27卷,第3293–3301页。谷歌学者[108]K.Yilmaz和N.Yorke-Smith,“混合整数分支和边界的学习搜索近似研究:SCIP中的节点选择”人工智能杂志。第2卷,第2期,第150–178页,2021年。谷歌学者[109]C.Y.Wong、R.Cheng、K.Lataief和R.Murch,“具有自适应子载波、比特和功率分配的多用户OFDM,”IEEE J.选择。公共区域。,第17卷,第10期,第1747-1758页,1999年10月。数字图书馆谷歌学者[110]Q.Ye、B.Rong、Y.Chen、M.Al-Shalash、C.Caramanis和J.G.Andrews,“异构蜂窝网络中负载平衡的用户协会”IEEE传输。无线通信。,第12卷,第6期,第2706–2716页,2013年6月。交叉参考谷歌学者[111]Y.Shi、J.Zhang和K.B.Letaief,“绿云RAN的组稀疏波束形成”IEEE传输。无线通信。,第13卷,第5期,第2809-2823页,2014年5月。交叉参考谷歌学者[112]M.Lee、G.Yu和G.Y.Li,“学习分支:加速无线网络中的资源分配,”IEEE传输。车辆。Technol公司。,第69卷,第1期,第958-970页,2019年1月。谷歌学者[113]A.DeMaris,“逻辑回归教程”J.婚姻家庭第57卷,第956–968页,1995年11月。交叉参考谷歌学者[114]E.Bayro-Corrochano和N.Arana-Daniel,“clifford支持向量机的理论和应用”数学杂志。图像。视觉。2007年,第28卷,第1期,第29–46页。数字图书馆谷歌学者[115]D.Anguita、A.Ghio、N.Greco、L.Oneto和S.Ridella,“支持向量机的模型选择:机器学习理论的优点和缺点”,in程序。国际协调神经网络。(IJCNN)2010年,第1-8页。谷歌学者[116]Y.Qian、J.Xu、S.Zhu、W.Xu、L.Fan和G.K.Karagiannidis,“学习优化移动边缘计算中任务卸载的资源分配,”IEEE无线通信。莱特。,第26卷,第6期,第1303-1307页,2022年6月。谷歌学者[117]C.Lu和Y.-F.Liu,“单组组播波束形成的有效全局算法”IEEE传输。信号处理。,第65卷,第14期,第3761–3774页,2017年7月。数字图书馆谷歌学者[118]J.Suárez-Varelaet等人,“用于通信网络的图形神经网络:上下文、用例和机会,”IEEE网络。,提前访问,2022年8月1日。10.1109/MNET.123.2100773。数字图书馆谷歌学者[119]吴振中、潘石屹、陈方辉、龙国龙、张振中、俞敏洪,“图形神经网络综合综述”IEEE传输。神经网络。学习。系统。,第32卷,第1期,第4–24页,2021年1月。交叉参考谷歌学者[120]Y.Shen、Y.Shi、J.Zhang和K.B.Letaief,《可扩展无线功率控制的图形神经网络方法》程序。IEEE全球通信。Conf.研讨会(GC Wkshps)2019年,第1-6页。谷歌学者[121]J.Kim、H.Lee、S.-E.Hong和S.-H.Park,“可扩展波束形成优化的二部图神经网络方法”IEEE传输。无线通信。第22卷,第1期,第333–347页,2023年1月。交叉参考谷歌学者[122]Z.Zhao、G.Verma、C.Rao、A.Swami和S.Segarra,《使用图形神经网络的分布式调度》,in程序。IEEE国际认证。语音信号处理。(ICASSP)2021年,第4720–4724页。谷歌学者[123]Z.Zhao、G.Verma、A.Swami和S.Segarra,“使用图神经网络的面向延迟的分布式调度”,in程序。IEEE国际认证。语音信号处理。(ICASSP)2022年,第8902–8906页。谷歌学者[124]N.NaderiAlizadeh、M.Eisen和A.Ribeiro,“利用图形神经网络学习弹性无线电资源管理政策”IEEE传输。信号处理。第71卷,第995–1009页,2023年。数字图书馆谷歌学者[125]M.Lee、G.Yu和H.Dai,“无线通信系统中图神经网络的分散推理”IEEE传输。移动计算。第22卷,第5期,第2582–2598页,2023年5月。数字图书馆谷歌学者[126]J.Guo和C.Yang,“使用异构图形神经网络的多单元多用户系统的学习权力分配”IEEE传输。无线通信。第21卷,第2期,第884-897页,2022年2月。数字图书馆谷歌学者[127]K.He、X.Chen、Q.Wu、S.Yu和Z.Zhou,“利用全球-本地协作学习绘制关注时空网络,用于城市移动流量预测,”IEEE传输。移动计算。第21卷,第4期,第1244-1256页,2022年4月。交叉参考谷歌学者[128]F.Sunet等人,“利用时间演变的用户移动模式进行移动数据流量预测,”IEEE传输。移动计算机。第21卷,第12期,第4456–4470页,2022年12月。数字图书馆谷歌学者[129]A.Chowdhury、G.Verma、C.Rao、A.Swami和S.Segarra,“使用图形神经网络展开WMMSE以实现有效功率分配,”IEEE传输。无线通信。第20卷,第9期,第6004-6017页,2021年9月。谷歌学者[130]X.Zhang、H.Zhao、J.Xiong、X.Liu、L.Zhou和J.Wei,“使用图形神经网络在异构无线网络中的可扩展功率控制/波束形成”程序。IEEE全球通信。会议(全球司令部)2021年,第1-6页。谷歌学者[131]V.Garg、S.Jegelka和T.Jaakkola,“图神经网络的泛化和表征极限”,in程序。内部配置机。学习。(ICML)2020年,第3419-3430页。谷歌学者[132]U.Alon和E.Yahav,“关于图形神经网络的瓶颈及其实际意义”程序。内部配置机。学习。(ICML)2021年,第1-8页。谷歌学者[133]D.Bertsekas,动态规划与最优控制美国纽约州纽约市:雅典娜科学。,1995数字图书馆谷歌学者[134]V.Mnihet al.,“通过深度强化学习实现人性化控制”自然2015年,第518卷,第7540号,第529–533页。交叉参考谷歌学者[135]T.P.Lillicrapet等人,《深度强化学习的持续控制》程序。Int.Conf.学习。代表。(ICLR)2015年,第1-9页。谷歌学者[136]J.Jin和X.Ma,“基于多目标代理的控制方法及其在智能交通信号系统中的应用”IEEE传输。智力。运输。系统。,第20卷,第10期,第3900–3912页,2019年10月。交叉参考谷歌学者[137]H.Wei、G.Zheng、H.Yao和Z.Li,《智能灯光:智能交通灯控制的强化学习方法》程序。国际咨询知识。光盘。最小数据(ACM SIGKDD)2018年,第2496–2505页。谷歌学者[138]Z.Wang、H.Zhu、Y.Zhou和X.Luo,“通过深度强化学习在IoV中联合交通信号和连接车辆控制”程序。IEEE无线通信。Netw公司。确认(WCNC)2021年,第1-6页。谷歌学者[139]C.Hoel、K.Wolff和L.Laine,“使用深度强化学习进行自动速度和换道决策”,in程序。国际竞争情报。运输。系统。(ITSC)2018年,第2148-2155页。谷歌学者[140]H.Chae、C.M.Kang、B.Kim、J.Kim、C.C.Chung和J.W.Choi,《通过深度强化学习的自动制动系统》程序。国际竞争情报。运输。系统。(ITSC)2017年,第1-6页。谷歌学者[141]Y.Ye、X.Zhang和J.Sun,“使用深度强化学习和高保真仿真环境进行自动化车辆行为决策,”运输。应急技术研究。第107卷,第155-170页,2019年10月。交叉参考谷歌学者[142]G.Du、Y.Zou、X.Zhang、L.Guo和N.Guo,“基于优先深层强化学习框架的混合动力电动汽车能源管理,”能源,第241卷,2022年2月,第。谷歌学者[143]H.Chaoui、H.Gualous、L.Boulon和S.Kelouwani,“多电池电动汽车的深度强化学习能量管理系统”,in程序。Conf.车辆。电源。推进(VPPC)2018年,第1-6页。谷歌学者[144]I.Khan、X.Tao、G.M.S.Rahman、W.U.Rehman和T.Salam,“在MTC边缘计算中使用深度强化学习的高级节能计算卸载,”IEEE接入第8卷,第82867–828752020页。交叉参考谷歌学者[145]M.Chu、X.Liao、H.Li和S.Cui,“具有强化学习的能量收集多址系统中的功率控制”IEEE互联网事物杂志。,第6卷,第5期,第9175–9186页,2019年10月。谷歌学者[146]C.Wang、D.Deng、L.Xu、W.Wang和F.Gao,“通过深度强化学习实现密集网络的联合干扰对准和功率控制,”IEEE无线通信。莱特。第10卷,第5期,第966–970页,2021年5月。交叉参考谷歌学者[147]Z.Fang、T.Yu、O.J.Mengshoel和R.K.Gupta,《深度神经网络推理异构服务器的QoS-aware调度》程序。ACM Conf.Inf.Know公司。管理。2017年,第2067–2070页。谷歌学者[148]Y.G.Kim和C.J.Wu,“自动缩放:使用强化学习的随机边缘推理的能效优化”程序。IEEE/ACM国际研讨会。微型的。(微型)2020年,第1082-1096页。谷歌学者[149]Z.Fang、J.-H.Lin、M.B.Srivastava和R.K.Gupta,《实时计算机视觉应用的多租户移动卸载系统》程序。Int.Conf分布计算。Netw公司。2019年,第21-30页。谷歌学者[150]J.Ye和H.Gharavi,“深度强化学习辅助能量收集无线网络”IEEE传输。绿色社区。Netw公司。2021年6月,第5卷,第2期,第990-1002页。谷歌学者[151]L.Geng、H.Zhao、H.Liu、Y.Wang、W.Feng和L.Bai,“车辆网络中基于深度强化学习的计算卸载”程序。IEEE Int.Conf.网络安全云计算。(CSCloud)IEEE Int.Conf.Edge计算。可扩展云(EdgeCom)2021年,第200-206页。谷歌学者[152]R.Li、C.Wang、Z.Zhao、R.Guo和H.Zhang,“基于LSTM的优势行动者——对用户移动性网络切片中资源管理的批判性学习,”IEEE通信。莱特。,第24卷,第9期,第2005-2009页,2020年9月。交叉参考谷歌学者[153]Y.Xu、Z.Zhao、P.Cheng、Z.Chen、M.Ding、B.Vucetic和Y.Li,“网络切片中资源分配的约束强化学习”IEEE通信。莱特。第25卷,第5期,第1554–1558页,2021年5月。谷歌学者[154]J.Yan、S.Bi和Y.A.Zhang,“移动边缘计算中使用通用任务图的卸载和资源分配:深度强化学习方法”IEEE传输。无线通信。第19卷,第8期,第5404–5419页,2020年8月。交叉参考谷歌学者[155]Z.Chen、J.Hu、G.Min、C.Luo和T.El-Ghazawi,“使用演员-评论家深度强化学习在云数据中心进行适应性和高效的资源分配,”IEEE传输。平行配送系统。第33卷,第8期,第1911-1923页,2022年8月。数字图书馆谷歌学者[156]J.Duet al.,“MEC支持的区块链系统中的资源定价和分配:A3C深度强化学习方法”IEEE传输。Netw公司。科学。工程师。,第9卷,第1期,第33-44页,2022年1月/2月。交叉参考谷歌学者[157]Y.He、Y.Wang、F.R.Yu、Q.Lin、J.Li和V.C.M.Leung,“多波束卫星-地面车辆网络的有效资源分配:一种具有注意机制的多智能体参与者-批评者方法”IEEE传输。智力。运输。系统。第23卷,第3期,第2727-2738页,2022年3月。谷歌学者[158]H.Liao、Z.Jia、Z.Zhou、Y.Wang、H.Zhang和S.Mumtaz,“空地综合电力物联网中的云边缘协作:半分布式学习方法”IEEE传输。Ind.Informat公司。第18卷,第11期,第8047–8057页,2022年11月。谷歌学者[159]Z.Wang、Z.Zhou、H.Zhang、G.Zhangs、H.Ding和A.Farouk,“6G空-空-地综合电力物联网中基于AI的云设备协作”IEEE无线通信。,第29卷,第1期,第16-23页,2022年2月。谷歌学者[160]H.Liao等人,“空-空-地一体化电力物联网中基于区块链和半分布式学习的安全低延迟计算卸载,”IEEE J.选择。主题信号处理。,第16卷,第3期,第381–394页,2022年4月。谷歌学者[161]F.Meng、P.Chen、L.Wu和J.Cheng,“多用户蜂窝网络中的功率分配:深度强化学习方法”IEEE传输。无线通信。第19卷,第10期,第6255–6267页,2020年10月。谷歌学者[162]L.Liang、H.Ye和G.Y.Li,“基于多智能体强化学习的车辆网络频谱共享”IEEE J.选择。地区。Commun公司。,第37卷,第10期,第2282–2292页,2019年10月。交叉参考谷歌学者[163]J.Xu和B.Ai,“毫米波高速铁路系统中使用多智能体深度强化学习的经验驱动功率分配”IEEE传输。智力。运输。系统。第23卷,第6期,第5490–5500页,2022年6月。谷歌学者[164]A.W.Beggs,“关于强化学习的收敛性,”《经济学杂志》。理论2005年,第122卷,第1期,第1-36页。交叉参考谷歌学者[165]M.L.Littman和C.Szepesvári,“广义强化学习模型:收敛与应用”,in程序。内部配置机。学习。(ICML),第96卷,1996年,第310–318页。谷歌学者[166]D.Silver、G.Lever、N.Heess、T.Degres、D.Wierstra和M.Riedmiller,《确定性策略梯度算法》程序。内部配置机。学习。(ICML)2014年,第387-395页。谷歌学者[167]H.-S.Lee、J.-Y.Kim和J.-W.Lee,“深度强化学习无线网络中的资源分配:环境相关方法”IEEE系统。J。第14卷,第2期,第2589–2592页,2020年6月。谷歌学者[168]Y.G.Kim和C.-J.Wu,“AutoFL:实现具有异质性意识的节能联合学习”程序。IEEE/ACM国际研讨会。微型建筑师。(微型)2021年,第183-198页。谷歌学者[169]C.E.Shannon和W.Weaver,传播数学理论,伊利诺伊州乌尔班纳,美国:伊利诺伊大学出版社,1949年。数字图书馆谷歌学者[170]C.E.Shannon,“传播的数学理论”贝尔系统。技术J。1948年7月,第27卷,第379-423页。交叉参考谷歌学者[171]X.Luo、H.-H.Chen和Q.Guo,“语义通信:概述、开放问题和未来研究方向”IEEE无线通信。第29卷,第1期,第210-219页,2022年2月。交叉参考谷歌学者[172]J.Wright和Y.Ma,低维模型的高维数据分析:原理、计算和应用英国剑桥:剑桥大学出版社,2021年。谷歌学者[173]G.Chechik、A.Globerson、N.Tishby和Y.Weiss,“高斯变量的信息瓶颈”J.马赫。学习。物件。,第6卷,第165–188页,2005年1月。数字图书馆谷歌学者[174]Z.Goldfeld和Y.Polyanskiy,“信息瓶颈问题及其在机器学习中的应用”IEEE J.选择。区域信息理论,第1卷,第1期,第19-38页,2020年5月。交叉参考谷歌学者[175]A.A.Alemi、I.Fischer、J.V.Dillon和K.Murphy,《深度变化信息瓶颈》程序。Int.Conf.学习。代表。(ICLR)2017年,第1-6页。谷歌学者[176]D.P.Kingma和M.Welling,“自动编码变分贝叶斯”,in程序。Int.Conf.学习。代表。(ICLR)2014年,第1-8页。谷歌学者[177]Y.Zhang、H.Zhao、J.Wei、J.Zhang,M.F.Flanagan和J.Xiong,“通过动态编程实现基于上下文的语义通信”IEEE传输。认知。Commun公司。Netw公司。第8卷,第3期,第1453-1467页,2022年9月。交叉参考谷歌学者[178]E.Bourtsoulatze、D.B.Kurka和D.Gündüz,“无线图像传输的深度联合信源信道编码”IEEE传输。认知。Commun公司。Netw公司。,第5卷,第3期,第567-579页,2019年9月。交叉参考谷歌学者[179]D.B.Kurka和D.Gündüz,“DeepJSCC-f:反馈图像的深度联合信源信道编码”IEEE J.选择。公共区域。,第1卷,第1期,第178-193页,2020年5月。谷歌学者[180]江先生,温先生,金先生,李先生,“视频会议的无线语义通信”IEEE J.选择。公共区域。第41卷,第1期,第230-244页,2023年1月。谷歌学者[181]T.Han,Q.Yang,Z.Shi,S.He,Z.Z.Zhang,“消除冗余的语义软件语音到文本传输”,in程序。IEEE国际协调委员会。研讨会(ICC研讨会)2022年,第717–722页。谷歌学者[182]H.Xie、Z.Qin、X.Tao和K.B.Letaief,“面向任务的多用户语义通信”IEEE J.选择。公共区域。第40卷,第9期,第2584–2597页,2022年9月。交叉参考谷歌学者[183]J.Xu、B.Ai、W.Chen、A.Yang、P.Sun和M.Rodrigues,“使用带注意模块的深源信道编码进行无线图像传输,”IEEE传输。电路系统。视频技术。第32卷,第4期,第2315-2328页,2022年4月。谷歌学者[184]D.Huang、F.Gao、X.Tao、Q.Du和J.Lu,“面向语义通信:基于深度学习的图像语义编码”IEEE J.选择。公共区域。,第41卷,第1期,第55-71页,2023年1月。交叉参考谷歌学者[185]郑翁、郑琴、X.Tao、C.Pan、G.Liu和G.Y.Li,“深度学习通过语音识别和合成实现语义通信,”IEEE传输。无线通信。,提前访问,2023年2月6日。10.1109/TWC.2023.3240969。数字图书馆谷歌学者[186]J.Dai等人,“语义通信的非线性变换源信道编码”IEEE J.选择。公共区域。第40卷,第8期,第2300–2316页,2022年8月。交叉参考谷歌学者[187]R.Zhang、P.Isola、A.A.Efros、E.Shechtman和O.Wang,“深层特征作为感知度量的不合理有效性”程序。IEEE/CVF Conf.计算。视觉。模式识别。2018年,第586–595页。谷歌学者[188]A.Li、X.Wei、D.Wu和L.Zhou,“跨模态语义交际”IEEE无线通信。第29卷,第6期,第144-151页,2022年12月。谷歌学者[189]M.Kountouris和N.Pappas,“网络智能系统的语义增强通信”IEEE通信。美格。2021年6月,第59卷,第6期,第96-102页。交叉参考谷歌学者[190]T.Li、A.K.Sahu、A.Talwalkar和V.Smith,“联合学习:挑战、方法和未来方向”IEEE信号处理。美格。,第37卷,第3期,第50-60页,2020年5月。交叉参考谷歌学者[191]K.Yang、T.Jiang、Y.Shi和Z.Ding,“通过空中计算实现联合学习”IEEE传输。无线通信。第19卷,第3期,第2022-2035页,2020年3月。数字图书馆谷歌学者[192]P.Kairouzet等人,“联合学习的进展和开放问题”已找到。趋势马赫数。学习。第14卷,第1-2期,第1-210页,2021年。数字图书馆谷歌学者[193]O.A.Wahab、A.Mourad、H.Otrok和T.Taleb,“联合机器学习:通信和网络系统的调查、多级分类、理想标准和未来方向,”IEEE通信。测量教程。,第23卷,第2期,第1342-1397页,第2季度。,2021交叉参考谷歌学者[194]L.U.Khan、W.Saad、Z.Han、E.Hossain和C.S.Hong,“物联网联合学习:最新进展、分类和开放挑战”IEEE通信。测量教程。,第23卷,第3期,第1759-1799页,第3夸脱。,2021交叉参考谷歌学者[195]Y.Yang、Y.Zhou、Y.Wu和Y.Shi,“通过可重构智能表面实现差异化私有联合学习”IEEE互联网事物杂志。,第9卷,第20期,第19728-19743页,2022年10月。交叉参考谷歌学者[196]Z.Wang、Y.Zhou、Y.Shi和W.Zhuang,“多小区无线网络中空中联合学习的干扰管理”IEEE J.选择。公共区域。第40卷,第8期,第2361–2377页,2022年8月。谷歌学者[197]K.Xieet等人,“使用尖峰神经网络进行交通标志识别的高效联合学习”IEEE传输。车辆。Technol公司。第71卷,第9期,第9980–9992页,2022年9月。交叉参考谷歌学者[198]J.Kanget等人,“针对事物人工智能的高效通信和跨链授权联合学习,”IEEE传输。Netw公司。科学。工程师。,第9卷,第5期,第2966–2977页,2022年9月/10月。交叉参考谷歌学者[199]H.H.Yang、Z.Liu、T.Q.S.Quek和H.V.Poor,“无线网络中联合学习的调度策略”IEEE传输。Commun公司。,第68卷,第1期,第317–333页,2020年1月。交叉参考谷歌学者[200]T.H.T.Leet al.,“无线蜂窝网络中联合学习的激励机制:拍卖方法”IEEE传输。无线通信。,第20卷,第8期,第4874-4887页,2021年8月。数字图书馆谷歌学者[201]M.Chen、Z.Yang、W.Saad、C.Yin、H.V.Poor和S.Cui,“无线网络联合学习的联合学习和通信框架,”IEEE传输。无线通信。,第20卷,第1期,第269-283页,2021年1月。数字图书馆谷歌学者[202]L.Liet al.,“基于鞍点近似和大偏差理论的无线联合学习延迟分析”IEEE J.选择。公共区域。第39卷,第12期,第3772–3789页,2021年12月。谷歌学者[203]Q.Yang、Y.Liu、T.Chen和Y.Tong,“联合机器学习:概念和应用”ACM事务处理。智力。系统。Technol公司。,第10卷,第2期,第1-19页,2019年2月。数字图书馆谷歌学者[204]G.Zhu、Y.Wang和K.Huang,“用于低延迟联合边缘学习的宽带模拟聚合,”IEEE传输。无线通信。,第19卷,第1期,第491-506页,2020年1月。交叉参考谷歌学者[205]Z.Wang等人,“通过智能反射面进行联合学习”IEEE传输。无线通信。第21卷,第2期,第808–822页,2022年2月。数字图书馆谷歌学者[206]Z.Wang、Y.Zhao、Y.周、Y.Shi、C.Jiang和K.B.Letaief,“空中计算:基础、技术和应用”,2022年,arXiv:2210.10524.谷歌学者[207]X.Zheng和V.Lau,“FDD多用户大规模MIMO系统CSIT和CSIR估计的联合在线深度学习”IEEE传输。信号处理。第70卷,第2253–2266页,2022年。数字图书馆谷歌学者[208]Y.Yang、F.Gao、J.Xue、T.Zhou和Z.Xu,“MIMO检测器选择与联合学习”IEEE传输。无线通信。第22卷,第7期,第4654–4667页,2023年7月。数字图书馆谷歌学者[209]Z.Peiying,W.Chao,J.Chunxiao,and H.Zhu,“IIoT数据管理的深度强化学习辅助联邦学习算法”IEEE传输。Ind.Informat公司。第17卷,第12期,第8475–8484页,2021年12月。谷歌学者[210]L.Xiang、L.Lingyun、N.Wei、J.Abbas、Z.Dalin和D.Haifeng,“用于车对车通信资源分配的联合多代理深度强化学习”IEEE传输。车辆。Technol公司。,第71卷,第8期,第8810-8824页,2022年8月。谷歌学者[211]Y.Shuai、C.Xu、Z.Zhi、G.Xiaowen和W.Di,“当深度强化学习遇到联合学习时:5G超密集网络中多址边缘计算的智能多时间尺度资源管理”IEEE互联网事物杂志。第8卷,第4期,第2238–2251页,2021年2月。谷歌学者[212]J.Abdallah和I.Mohamed,“物联网流量管理的基于边缘的联邦深度强化学习”IEEE互联网事物杂志。第10卷,第5期,第3799–3813页,2023年3月。谷歌学者[213]J.Ge、Y.-C.Liang、J.Joung和S.Sun,“分布式动态MISO下行链路-组合协调的深度强化学习”IEEE传输。Commun公司。第68卷,第10期,第6070–6085页,2020年10月。交叉参考谷歌学者[214]Z.Lu、C.Zhong和G.M.Cenk,“通过多智能体深度强化学习实现无线干扰网络中的动态信道接入和功率控制”IEEE传输。车辆。Technol公司。第71卷,第2期,第1588–1601页,2022年2月。谷歌学者[215]H.Zhang、Z.Xie、R.Zarei、T.Wu和K.Chen,“资源受限联合学习系统中的自适应客户端选择:深度强化学习方法”IEEE接入第9卷,第98423–984322021页。交叉参考谷歌学者[216]H.Chen、Z.Zheng、X.Liang、Y.Liu和Y.Zhao,“具有深度强化学习的多用户MISO蜂窝网络中的波束形成”,in程序。IEEE车辆。Technol公司。确认(VTC)2021年,第1-5页。谷歌学者[217]Y.Cao、S.-Y.Lien、Y.-C.Liang和K.-C.Chen,“开放无线接入网络中用户访问控制的联合深度强化学习”程序。IEEE国际协调委员会。(国际商会)2021年,第1-6页。谷歌学者[218]B.Yin、Z.Chen和M.Tao,“无线网络联合学习的联合用户调度和资源分配”程序。IEEE全球通信。会议(GLOBECOM)2020年,第1-6页。谷歌学者[219]N.Q.Hieu、T.T.Anh、N.C.Luong、D.Niyato、D.I.Kim和E.Elmroth,“支持区块链的联合学习网络中资源管理的深度强化学习”IEEE网络。莱特。,第4卷,第3期,第137-141页,2022年9月。谷歌学者[220]H.Yuet al.,“联邦学习的可持续激励计划”IEEE智能。系统。,第35卷,第4期,第58–69页,2020年7月/8月。交叉参考谷歌学者[221]Y.Liu、Z.Yi和T.Chen,“特色分区协作学习中的后门攻击和防御”,2020年,arXiv:2007.03608年.谷歌学者[222]Y.Liu等人,《高效沟通的垂直联合学习框架》程序。美国国家科学院。科学。,第118卷,第7期,2021年,第。谷歌学者[223]S.M.Savaresi、D.L.Boley、S.Bittanti和G.Gazzaniga,《除法聚类算法中的聚类选择》,in程序。最小Int.Conf.数据。2002年,第299-314页。谷歌学者[224]F.Malandrino和C.F.Chiasserini,“网络边缘的联合学习:当并非所有节点都是平等创建的,”IEEE通信。美格。,第59卷,第7期,第68–73页,2021年7月。数字图书馆谷歌学者[225]A.M.Elbir、K.V.Mishra、S.A.Vorobyov和R.W.Heath,“波束形成25年的进展:从凸优化和非凸优化到学习技术”,2022年,arxiv.abs/2211.02165.谷歌学者[226]A.M.Elbir和A.K.Papazafeiropoulos,“多用户毫米波大规模MIMO系统的混合预编码:一种深度学习方法,”IEEE传输。车辆。Technol公司。,第69卷,第1期,第552-563页,2019年1月。谷歌学者[227]K.I.Ahmed、H.Tabassum和E.Hossain,“多小区网络中无线资源分配的深度学习”IEEE网络。,第33卷,第6期,第188-195页,2019年11月/12月。数字图书馆谷歌学者[228]Y.Dong、H.Wang和Y.-D.Yao,“使用条件GAN的一位多用户大规模MIMO信道估计”IEEE通信。莱特。第25卷,第3期,第854-858页,2021年3月。交叉参考谷歌学者[229]J.Shao和J.Zhang,“资源约束边推理中的通信计算权衡”IEEE通信。美格。,第58卷,第12期,第20-26页,2020年12月。交叉参考谷歌学者[230]M.Eisen、C.Zhang、L.F.O.Chamon、D.D.Lee和A.Ribeiro,“学习无线系统中的最佳资源分配,”IEEE传输。信号处理。,第67卷,第10期,第2775–2790页,2019年5月。数字图书馆谷歌学者[231]S.Zheng、C.Shen和X.Chen,“联邦学习上行链路和下行链路通信的设计与分析”IEEE J.选择。公共区域。第39卷,第7期,第2150-2167页,2021年7月。交叉参考谷歌学者[232]H.Huang、Y.Yang、Z.Ding、H.Wang、H.Sari和F.Adachi,“MIMO-NOMA系统基于深度学习的总和数据速率和能效优化,”IEEE传输。无线通信。第19卷,第8期,第5373–5388页,2020年5月。谷歌学者[233]C.Sheet al.,“6G超可靠低延迟通信教程:将领域知识融入深度学习”程序。美国电气工程师协会第109卷,第3期,第204-246页,2021年3月。交叉参考谷歌学者[234]R.Fritschek、R.F.Schaefer和G.Wunder,“高斯窃听通道的深度学习”,in程序。IEEE国际协调委员会。(国际商会)2019年,第1-6页。谷歌学者[235]W.Wang、M.Zhu、J.Wang、X.Zeng和Z.Yang,“使用一维卷积神经网络进行端到端加密流量分类”程序。IEEE国际协调智能。安全信息。2017年,第43-48页。谷歌学者[236]E.Balevi、A.Doshi、A.Jalal、A.Dimakis和J.G.Andrews,“使用深度生成网络进行高维信道估计”IEEE J.选择。公共区域。,第39卷,第1期,第18-30页,2021年1月。数字图书馆谷歌学者[237]S.Munikoti、D.Agarwal、L.Das、M.Halappanavar和B.Natarajan,“图形神经网络深度强化学习的挑战和机遇:算法和应用的综合评述”,2022年,arxiv.abs/2206.07922.谷歌学者[238]Y.You、T.Chen、Y.Sui、T.陈、Z.Wang和Y.Shen,《图形对比学习与增强》程序。高级神经信息处理。系统。(NeurIPS)第33卷,2020年,第5812–5823页。谷歌学者[239]朱毅、徐毅、于凤、刘淇、吴树森和王丽萍,《深度图形对比表征学习》程序。内部配置机。学习。研讨会(ICML研讨会),2020年,第1-8页。谷歌学者[240]D.P.Kingma和J.Ba,《亚当:随机优化方法》程序。Int.Conf.学习。代表。(ICLR)2014年,第1-6页。谷歌学者[241]J.Zenget al.,“FDD大规模MIMO系统的带深度传输学习的下行CSI反馈算法”IEEE传输。认知。Commun公司。Netw公司。第7卷,第4期,第1253-1265页,2021年12月。交叉参考谷歌学者[242]T.安德森,在线学习的理论与实践阿萨巴斯卡,AB,美国:阿萨巴斯克大学出版社,2008年。数字图书馆谷歌学者[243]J.Gao、C.Zhong、G.Y.Li和Z.Zhang,“无线通信优化的在线深层神经网络”IEEE无线通信。莱特。第11卷,第5期,第933-937页,2022年5月。谷歌学者[244]X.Zheng和V.K.N.Lau,“用于任意阵列几何形状的mmWave大规模MIMO信道估计的在线深度神经网络,”IEEE传输。信号处理。第69卷,第2010-2025页,2021页。交叉参考谷歌学者[245]X.Zheng和V.K.N.Lau,“具有未知非线性失真的物联网系统中基于DNN的mmWave大规模MIMO信道估计的同步学习和推断,”IEEE互联网事物杂志。,第9卷,第1期,第783-799页,2022年1月。谷歌学者[246]S.Hong、T.You、S.Kwak和B.Han,“利用卷积神经网络学习辨别显著图进行在线跟踪”,in程序。内部配置机。学习。(ICML)2015年,第597-606页。谷歌学者[247]Z.Gao、F.Gama和A.Ribeiro,“具有分布式在线学习的广度和深度图形神经网络”IEEE传输。信号处理。第70卷,第3862–3877页,2022年。交叉参考谷歌学者[248]D.S.Kalogerias、M.Eisen、G.J.Pappas和A.Ribeiro,《无模型无梯度无线系统遍历优化的零阶学习算法》程序。IEEE国际会议。语音信号处理。(ICASSP)2020年,第5045–5049页。谷歌学者[249]H.Zheng、Y.Wu、L.Deng、Y.Hu和G.Li,“使用直接训练的更大峰值神经网络进行更深入的研究”程序。AAAI公司第35卷,2021年,第11062–11070页。谷歌学者[250]H.He、S.Jin、C.-K.Wen、F.Gao、G.Y.Li和Z.Xu,“物理层通信的模型驱动深度学习”IEEE无线通信。,第26卷,第5期,第77-83页,2019年10月。交叉参考谷歌学者[251]T.Blumensath和M.E.Davies,“压缩感知的迭代硬阈值”申请。计算。哈蒙。分析。,第27卷,第3期,第265-274页,2009年。交叉参考谷歌学者[252]X.Chen、J.Liu、Z.Wang和W.Yin,“未展开ISTA的理论线性收敛及其实际权重和阈值”程序。神经信息处理。系统。(NeurIPS)2018年,第9061–9071页。谷歌学者[253]P.Ablin、T.Moreau、M.Massias和A.Gramfort,“展开稀疏编码的学习步长”程序。神经信息处理。系统。(NeurIPS)2019年,第13100–13110页。谷歌学者[254]S.Ross、G.Gordon和D.Bagnell,“将模仿学习和结构化预测减少到无遗憾的在线学习”程序。国际Conf.Artif。智力。斯达。2011年,第627-635页。谷歌学者[255]T.Xie、C.-A.Cheng、N.Jiang、P.Mineiro和A.Agarwal,《Bellman-consistent pessimism for offline reinforcement learning》程序。高级神经信息处理。系统。(NeurIPS)第34卷,2021年,第6683–6694页。谷歌学者[256]W.Zhan、B.Huang、A.Huang,N.Jiang和J.Lee,“具有可实现性和单一政策集中性的离线强化学习”程序。Conf.学习。理论第178卷,2022年7月,第2730–2775页。谷歌学者[257]D.Gündüzet al.,“超越传输比特:上下文、语义和面向任务的通信,”IEEE J.选择。公共区域。,第41卷,第1期,第5-41页,2023年1月。交叉参考谷歌学者[258]C.E.香农,具有保真度准则的离散信源编码定理,第4卷。美国纽约州纽约市:Wiley,1959年3月,第1-26页。谷歌学者[259]Z.Yang、M.Chen、W.Saad、C.S.Hong和M.Shikh-Bahaei,“无线通信网络的节能联合学习”IEEE传输。无线通信。第20卷,第3期,第1935-1949页,2021年3月。数字图书馆谷歌学者[260]M.M.Amiri、D.Gündüz、S.R.Kulkarni和H.V.Poor,“无线边缘联合学习中更新感知设备调度的融合”IEEE传输。无线通信。第20卷,第6期,第3643–3658页,2021年6月。交叉参考谷歌学者[261]S.Liu、G.Yu、X.Chen和M.Bennis,“利用IID和非IID数据进行无线分层联合学习的联合用户关联和资源分配,”IEEE传输。无线通信。第21卷,第10期,第7852–7866页,2022年10月。谷歌学者[262]X.Cao、G.Zhu、J.Xu、Z.Wang和S.Cui,“空中联合边缘学习的优化功率控制设计”IEEE J.选择。公共区域。第40卷,第1期,第342-358页,2022年1月。数字图书馆谷歌学者[263]D.Liu和O.Simeone,“免费隐私:通过无编码传输和自适应功率控制实现无线联合学习”IEEE J.选择。公共区域。第39卷,第1期,第170-185页,2021年1月。数字图书馆谷歌学者[264]Y.Shi、Y.Zhou和Y.Shi.,《空中分散式联合学习》程序。IEEE国际标准。信息理论(ISIT)2021年,第455-460页。谷歌学者[265]Y.Wang、C.Zou、D.Wen和Y.Shi,《LEO卫星联合学习》程序。IEEE全球通信。Conf.研讨会(GC Wkshps),2022年,第1652-1657页。谷歌学者[266]L.You、X.-Y.Zhao、R.Cao、Y.Shao和L.Fu,“无线联邦边缘学习的宽带数字空中计算”,2022年,arxiv.abs/2212.06596.谷歌学者[267]Y.Shao、D.Gündüz和S.C.Liew,“具有错位空中计算的联合边缘学习,”IEEE传输。无线通信。第21卷,第6期,第3951–3964页,2022年6月。数字图书馆谷歌学者[268]Q.Hu、F.Gao、H.Zhang、S.Jin和G.Y.Li,“信道估计的深度学习:解释、性能和比较”IEEE传输。无线通信。第20卷,第4期,第2398–2412页,2020年4月。交叉参考谷歌学者[269]A.Bora、A.Jalal、E.Price和A.G.Dimakis,《使用生成模型的压缩传感》,in程序。内部配置机。学习。(ICML)2017年,第537-546页。谷歌学者[270]A.Alkhateeb,“DeepMIMO:毫米波和大规模MIMO应用的通用深度学习数据集”,in程序。信息理论应用。研讨会(ITA)2019年2月,第1-8页。谷歌学者[271]A.Klautau、P.Batista、N.González-Prelcic、Y.Wang和R.W.Heath,《机器学习的5G MIMO数据:使用深度学习进行波束选择的应用》程序。信息理论应用。研讨会(ITA)2018年,第1-9页。谷歌学者[272]K.Yang、Y.Shi、W.Yu和Z.Ding,“边缘推断的高效处理和稳健无线协同传输”IEEE互联网事物杂志。,第7卷,第10期,第9456–9470页,2020年10月。谷歌学者[273]S.Hua、Y.Zhou、K.Yang、Y.Shi和K.Wang,“用于绿边推理的可重构智能曲面”IEEE传输。绿色公社。Netw公司。第5卷,第2期,第964-979页,2021年6月。交叉参考谷歌学者[274]新SI:NR空中接口的人工智能(AI)/机器学习(ML)研究,文件RP-213599,3GPP,Sophia Antipolis,法国,2021年12月。谷歌学者[275]空中接口AI/ML框架,文件R1-2206390,3GPP,Sophia Antipolis,法国,2022年8月。谷歌学者[276]关于AI/ML框架的一般方面,谷歌,美国加利福尼亚州山景城,2022年8月。谷歌学者[277]“华为发布业界首款Dual-200大型MIMO AAU。“访问日期:2017年11月20日。[在线]。可用:https://www.huawei.com/en/news/2017/11/Industry-First-Dual-200-Massive-MIMO-AAU公司谷歌学者[278]“Tensorflow公司。”访问日期:2022年5月。[在线]。可用:https://www.tensorflow.org网站/谷歌学者[279]“Tensorflow公司。”访问日期:2022年5月。[在线]。可用:网址:https://pytorch.org/谷歌学者[280]“咖啡2。”访问日期:2022年5月。[在线]。可用:https://caffe2.ai网址/谷歌学者[281]“阻碍。”访问日期:2022年5月。[在线]。可用:https://github.com/mila-udem/blocks网站谷歌学者[282]“MS认知工具包。”访问日期:2022年5月。[在线]。可用:https://www.microsoft.com/en-us/cognitive-toolkit/谷歌学者[283]“意大利千层面。”访问日期:2022年5月。[在线]。可用:https://github.com/千层面谷歌学者[284]Y.Shi、M.Fu、Y.Zhou和Y.Shi.,“通过主动学习实现智能反射面辅助无线网络的容量区域”程序。IEEE全球通信。会议(全球司令部)2021年,第1-6页。谷歌学者[285]B.Beykal、S.Avraamidou、I.P.Pistikopoulos、M.Onel和E.N.Pisticopoulos,“DOMINO:双层混合整数非线性问题的数据驱动优化,”J.全球选择。,第78卷,第1期,第1-362020页。交叉参考谷歌学者[286]S.Venkataraman和B.Amos,“凸优化的神经定点加速”,2021年,arXiv公司:2107.10254.谷歌学者[287]J.Dong、J.Zhang、Y.Shi和J.H.Wang,“大规模随机访问中更快的活动和数据检测:多武器盗贼方法”IEEE互联网事物杂志。第9卷,第15期,第13664–13678页,2022年8月。谷歌学者 引用人查看全部Zeb S公司马哈茂德AKhowaja S公司开发人员K哈桑S吉德隆德·M贝拉维斯塔P(2024)通过智能化和软件化无线网络架构和服务定义行业5.0愿景网络与计算机应用杂志2016年10月10日/j.jnca.2023.103796223:C在线发布日期:2024年3月1日https://dl.acm.org/doi/10.1016/j.jnca.2023.103796 索引术语 6G无线网络中大规模优化的机器学习计算方法机器学习计算数学数学分析数学优化网络网络类型移动网络无线接入网络计算理论算法的设计和分析数学优化 索引项已通过自动分类分配给内容。 建议 大规模优化问题的改进竞争群优化算法 省略的显示建议的工作(MCSO)由竞争群优化程序(CSO)驱动。每次在MCSO中,2/3的群都会根据三竞争标准进行更新。CEC 2008和CEC 2010基准函数都已使用。。。阅读更多信息大规模优化中基于排序的有偏学习群优化算法摘要大规模优化,解决真实的高维问题,吸引了许多研究兴趣。大规模优化问题由于其大量的局部优化问题,比传统优化问题困难得多。。。阅读更多信息用于大规模优化的优势组合学习分布式粒子群优化摘要大规模优化问题(LSOP)在进化计算(EC)领域变得越来越重要和具有挑战性。本文提出了一种优势组合学习分布式粒子群优化算法(。。。集锦 设计了主从式多子种群分布式模型。提出优势组合学习策略。说明基准函数和实际应用程序的优势。 阅读更多信息 评论 Please enable JavaScript to view thecomments powered by Disqus. 信息和贡献者问询处发布于 IEEE通信调查与教程 第25卷第4期2023年第四季度1016页国际标准编号:1553-877倍期刊目录 1553-877X©2023 IEEE版权所有。允许个人使用,但重新发布/重新分发需要IEEE许可。请参见https://www.ieee.org/publications/rights/index.html了解更多信息。出版商IEEE出版社出版历史出版:2023年8月1日限定符研究文章贡献者 其他指标查看文章指标文献计量学和引文文献计量学 文章指标 1引文总数查看引文0总下载次数下载次数(过去12个月)0下载次数(最近6周)0 其他指标查看作者指标引文 引用人查看全部Zeb S公司马哈茂德AKhowaja S公司开发人员K哈桑S吉德隆德·M贝拉维斯塔P(2024)用智能化和软件化的无线网络架构和服务定义行业5.0愿景网络与计算机应用杂志2016年10月10日/j.jnca.2023.103796223:C在线发布日期:2024年3月1日https://dl.acm.org/doi/10.1016/j.jnca.2023.103796 视图选项查看选项获取访问权限 登录选项检查您是否可以通过登录凭据或您的机构访问本文。登录完全访问权限获取此出版物 媒体数字其他桌子分享分享共享此出版物链接复制链接已复制!复制失败。在社交媒体上分享Linkedin公司重新编辑电子邮件附属机构延东 施中国电信研究院移动通信与终端研究部,广州查看个人资料李翔 廉上海理工大学信息科学与技术学院,中国上海https://orcid.org/0000-0002-9958-7264查看个人资料圆明 施上海理工大学信息科学与技术学院,中国上海https://orcid.org/0000-0002-1418-7465查看个人资料紫欣 王上海理工大学信息科学与技术学院,中国上海https://orcid.org/0009-0007-7863-0298查看个人资料永 周上海理工大学信息科学与技术学院,中国上海https://orcid.org/0000-0002-7499-6256查看个人资料利群 傅厦门大学信息学院和水声通信与海洋信息技术教育部重点实验室,厦门,中国https://orcid.org/0000-0002-5234-9429查看个人资料林 白北京航空航天大学网络科学与技术学院,北京,中国https://orcid.org/0000-0001-5705-0912查看个人资料六月 张中国香港科技大学电子与计算机工程系https://orcid.org/0000-0002-5222-1898查看个人资料世界环境学会 张澳大利亚新南威尔士州悉尼新南威尔斯大学电气工程与电信学院https://orcid.org/0000-0002-1059-3642查看个人资料