有限样本学习——元学习及其在通信系统中的应用

@文章{陈2022LearningWL，title={有限样本学习-元学习及其在通信系统中的应用}，author={陈丽莎（Lisa Chen）和莎鲁·特蕾莎·何塞（Sharu Theresa Jose）、伊万娜·尼科洛斯卡（Ivana Nikoloska）和桑宇公园（Sangwoo Park）以及陈天一（Tianyi Chen）与奥斯瓦尔多·西蒙（Osvaldo Simeo，日志={ArXiv}，年份={2022}，体积={abs/2210.02515}，网址={https://api.semanticscholar.org/CorpusID:252735213}}
本综述专著介绍了元学习的原理、算法、理论和工程应用，以及元学习技术定义的一般双层优化框架。
在arXiv上查看PDF
24引文
极具影响力的引文
1
背景引文
11
方法引文
11

本文图表

24引文

无线通信元学习：一项调查及与GNN的比较

仿真结果表明，GNN是样本有效的，而元学习可以降低自适应的时间复杂度，并且所考虑的GNN和元学习方法在适应具有时变问题尺度的环境方面都是无效的。

通过上下文学习利用大型语言模型进行无线符号检测

这项工作建议利用LLM的上下文学习能力（也称为提示）来解决低数据状态下的无线任务，而不需要任何训练或微调，这与需要训练的DNN不同。

动态信道中深度接收机的自适应和灵活的基于模型的人工智能

本文考虑了基于人工智能的无线接收机设计如何需要重新思考人工智能的三大支柱：体系结构、数据和训练算法，并讨论了如何在不影响频谱效率的情况下获取深度接收机的训练数据。

基于上下文学习的无蜂窝多用户MIMO均衡

结果表明，ICL还可以用于解决具有有限前向传输容量的无信元MIMO系统中的多用户均衡问题，并且与线性最小均方误差均衡器相比，基于ICL的均衡提供的均方误差更低的估计。

基于模块化贝叶斯深度学习的不确定性感知可靠神经MIMO接收机

提出了一种将贝叶斯深度学习与基于混合模型的数据驱动架构相结合的无线接收机设计新方法，旨在生成校准模块，从而提高整个接收机的精度和校准。

基于元学习和联合学习的硬件兼容收发器端到端自动编码算法

结果表明，使用元学习训练自动编码器可以降低接收信号的误码率，从而提高系统性能。

理解基于梯度的元学习中的良性过度拟合

本文主要研究具有挑战性的两层结构的元学习环境，即基于梯度的元学习，并分析其在超参数元线性回归模型下的泛化性能。

通过空中联合元学习进行预培训和个性化微调：融合-通用权衡

本文研究了参与预训练阶段（即元学习）的代理通过共享无线信道连接到服务器的无线环境下meta-pFL的泛化性能。

信道编码深度学习的最新进展：综述

总结了现代纠错码（如低密度奇偶校验（LDPC）码和极性码）的各种设计和解码方法，包括无模型和基于模型的DL，以突出它们的潜在优势和挑战。

Polyak-Łojasiewicz条件下双层学习的广义交替方法

对所考虑的双层问题引入了一个平稳度量，它推广了已有的度量，并证明了GALET对所考虑问题在O（（cid:15）−1）迭代中实现了一个（cid:15）-平稳度量，这与光滑非凸问题的GD迭代复杂度相匹配。