Secure Degree of Freedom of Wireless Networks Using Collaborative Pilots
本文研究基于协作导频的抗窃听信道估计（ANECE）全双工无线网络的安全自由度，给出任意用户数下的上下界及相等条件，并提出多用户ANECE和改进型两用户ANECE方案，在给定天线数下实现目前最优的安全自由度。
2023-09-21 cs.IT eess.SP math.IT
Collaborative Wireless Energy and Information Transfer in Interference Channel
研究了多用户无线通信系统中的无线信息与能量同步传输（SWIPT）问题，即分布式发射机向各自的接收机发送独立的信息，同时通过能量波束形成向接收机协同传输无线能量。因此，从无线信息传输（WIT）的角度来看，感兴趣的系统可以被建模为经典的干扰信道，同时它也可以被视为用于协作无线能量传输（WET）的分布式多输入多输出（MIMO）系统。为了在SWIPT中实现信息解码（ID）和能量收集（EH），我们在每个接收器处采用低复杂度时间切换操作以在预定时间内在ID和EH模式之间切换。基于这种混合模型，我们的目标是在不同的发送端协作方案下的多用户SWIPT系统中的可实现的速率-能量（R-E）的权衡。具体而言，为了促进协作能量波束成形，我们提出了一种新的信号分裂方案在发射机，其中每个发射信号通常是由一个信息信号分量和能量信号分量分别为WIT和WET。在此基础上，我们首先研究了两用户SWIPT系统，推导了接收端的最优模式切换规则和相应的发射信号优化，以实现衰落信道下各种R-E折衷。我们还比较了我们提出的方案的R-E性能与发射能量波束成形和信号分裂对两个现有的计划与部分或没有合作的发射机，并显示出显着的收益超过这些基线计划。最后，研究了多用户SWIPT系统的一般情况，提出并比较了两种实用的传输协作方案。
2014-08-29 cs.IT math.IT
Collaborative Beamforming for Distributed Wireless Ad Hoc Sensor Networks
利用随机阵列理论分析了协同波束形成的性能。在无线自组织传感器网络的框架下，推导了随机相控阵波束图的统计平均值和分布。假设每个传感器节点具有单个各向同性天线，并且集群中的节点协作地发送信号，使得目标方向上的信号在远场区域中相干地相加。结果表明，与N个传感器节点均匀分布在一个磁盘上，方向性可以接近N，只要节点是位于足够稀疏。研究了最大旁瓣峰值的分布。考虑到应用到ad hoc网络，两种情况下，闭环和开环，被认为是。结合这些场景，分析了相位抖动和位置估计误差对平均波束图的影响。
2005-05-10 cs.IT cs.NI math.IT
Lifetime Improvement of Wireless Sensor Networks by Collaborative Beamforming and Cooperative Transmission
延长电池供电设备的网络寿命是无线传感器网络中允许分布式节点之间不间断信息交换的关键设计问题。协作波束形成（CB）和协作传输（CT）最近已经作为新的通信技术出现，其使得能够实现和利用协作/协作节点之间的有效资源共享。在本文中，我们寻求最大限度地提高传感器网络的生命周期，使用新的想法，靠近的节点可以使用CB/CT，以减少负载，甚至避免数据包转发请求的节点，有关键的电池寿命。首先，我们研究CB/CT的有效性，以提高信号强度在一个遥远的目的地使用能量在附近的节点。然后，一个2D磁盘的情况下进行分析，以评估所产生的性能改善。对于一般的网络，如果信息产生率是固定的，新的路由问题被制定为一个线性规划问题，否则，路由的成本是动态调整的剩余能量的量和CB/CT的有效性。从分析和仿真结果可以看出，所提出的计划可以提高约90%的寿命在2D磁盘网络和一般网络的约10%，相比现有的计划。
2007-04-25 cs.IT math.IT
Semantic-Aware Collaborative Deep Reinforcement Learning Over Wireless Cellular Networks
University of Colorado（科罗拉多大学）；Virginia Tech（弗吉尼亚理工学院）
协作式深度强化学习（CDRL）算法可以让多个智能体通过无线网络进行协调，这是一种很有前途的方法，可以实现未来依赖于复杂动态环境中实时决策的智能和自治系统。然而，在实际应用中，由于智能体及其学习任务的异构性、不同的环境、学习的时间限制以及无线网络的资源限制，CDRL面临着许多挑战。为了解决这些挑战，在本文中，提出了一种新的语义感知的CDRL方法，使一组异构的未经训练的代理与语义链接的DRL任务，有效地合作，在资源受限的无线蜂窝网络。为此，提出了一种新的异构联邦DRL（HFDRL）算法选择语义相关的DRL代理的最佳子集进行协作。所提出的方法，然后共同优化的培训损失和无线带宽分配的合作选定的代理，以训练每个代理的时间限制内的实时任务。仿真结果表明，所提出的算法相比，国家的最先进的基线的优越性能。
2022-03-04 cs.IT cs.LG cs.NI
Joint Channel and Semantic-aware Grouping for Effective Collaborative Edge Inference
针对无线协同边缘推理中分离式分组方法性能差的问题，提出结合语义相关性与信道状态的联合分组方法，仿真验证其性能优于本地推理及分离式协同推理。
2025-10-02 cs.IT eess.SP math.IT
Multiple Intelligent Reflecting Surfaces Collaborative Wireless Localization System
针对多IRS协同到达时间定位问题，推导目标位置估计CRB，并提出联合主动/被动波束赋形与IRS选择的两阶段优化框架，显著提升单/多目标定位性能。
2024-06-17 cs.IT eess.SP math.IT
Lifetime Improvement in Wireless Sensor Networks via Collaborative Beamforming and Cooperative Transmission
协作波束形成（CB）和协作传输（CT）最近已经作为可以有效地利用协作/协作节点来创建虚拟多输入/多输出（MIMO）系统的通信技术出现。延长由电池供电的节点组成的网络的生命周期是无线传感器网络设计和运行中的一个关键问题。本文考虑了网络生命周期的影响，允许靠近的节点使用CB/CT，以减少负载，甚至避免数据包转发请求的节点，有关键的电池寿命。首先，CB/CT在提高信号强度在一个遥远的目的地使用附近的节点的能量的有效性进行了研究。然后，通过这种技术所获得的性能改善进行了分析，为一个特殊的2D磁盘的情况。此外，对于一般的网络，其中信息生成速率是固定的，一个新的路由问题被制定为一个线性规划问题，而对于其他一般的网络，路由的成本是动态调整，根据剩余的能量和CB/CT的有效性。从分析和仿真结果可以看出，所提出的方法可以减少约90%的能量消耗节点的有效载荷在特殊情况下的网络考虑和提高约10%的一般网络的生命周期，与现有的技术相比。
2007-04-26 cs.IT math.IT
Collaborative Sensing in Perceptive Mobile Networks: Opportunities and Challenges
随着需要准确环境信息的创新应用的发展，自动驾驶、感知成为未来无线网络的重要需求。为此，集成传感和通信（ISAC）提供了一个有前途的平台，利用传感和通信之间的协同作用，感知移动网络（PMN）被提出来增加准确的传感能力，现有的无线网络。发达的蜂窝网络为传感提供了令人兴奋的机会，包括大覆盖范围，强大的计算和通信能力，最重要的是网络化传感，其中来自多个传感节点的观点可以协作地用于感测同一目标。然而，PMNs也面临着巨大的挑战，如感知和通信之间的固有干扰，复杂的感知环境，以及蜂窝网络对高速目标的跟踪。本文提供了一个全面的审查设计的PMNs，包括流行的网络架构，传感协议，常设研究问题，和可用的解决方案。几个未来的研究方向是至关重要的PMNs的发展进行了讨论。
2022-05-31 cs.IT eess.SP math.IT
Collaborative Machine Learning at the Wireless Edge with Blind Transmitters
Imperial College London（伦敦帝国理工学院）；Bilkent University（比尔肯特大学）
我们研究无线协作机器学习（ML），其中移动边缘设备，每个设备都有自己的数据集，在无线接入点作为参数服务器（PS）的帮助下，通过无线方式进行分布式随机梯度下降（DSGD）。在DSGD算法的每次迭代中，无线设备利用它们的本地数据集计算梯度估计，并通过无线衰落多址信道（MAC）将它们发送到PS。出于无线MAC的添加剂性质，我们提出了一种模拟DSGD方案，其中设备以未编码的方式发送其梯度估计的缩放版本。我们假设信道状态信息（CSI）仅在PS处可用。相反，我们允许PS采用多个天线来减轻破坏性的衰落效应，由于缺乏CSI，这不能被发射机消除。理论分析表明，与建议的DSGD方案，增加PS天线的数量减轻了衰落的影响，并在极限下，衰落和噪声的影响消失，和PS接收对齐的信号用于更新模型参数。理论结果与实验结果相吻合。
2019-07-08 cs.DC cs.IT cs.LG
Wireless Resource Allocation with Collaborative Distributed and Centralized DRL under Control Channel Attacks
School of Electrical and Computer Engineering, The University of Sydney（悉尼大学电气与计算机工程学院）
针对CPS控制信道DoS攻击下的无线资源分配问题，提出CDC-DRL算法，通过协同分布式与集中式决策优化资源分配策略，显著优于现有DRL基准。
2024-11-16 cs.IT cs.LG cs.SY
Task-Oriented Wireless Communications for Collaborative Perception in Intelligent Unmanned Systems
Tsinghua University（清华大学）；Beijing Jiaotong University（北京交通大学）
本文针对智能无人系统协作感知中的无线信道动态性挑战，提出一种任务导向的无线通信框架，通过信道自适应压缩、鲁棒融合和分布式调度算法联合优化通信与感知过程，并在自动驾驶场景中验证了其有效性。
2024-06-05 cs.IT cs.LG cs.MA
RIS Assisted Wireless Networks: Collaborative Regulation, Deployment Mode and Field Testing
本文围绕RIS辅助无线网络，分析网络控制与独立两种部署模式及多RIS、多用户、多小区协作场景，提出协同调控机制，并通过仿真和现场测试验证其应用效果与挑战。
2024-08-06 cs.IT cs.NI math.IT
Simple Semi-Distributed Lifetime Maximizing Strategy via Power Allocation in Collaborative Beamforming for Wireless Sensor Networks
在由大量能量受限的传感器节点组成的无线传感器网络中，能量有效的通信是一个重要问题。实际上，传感器节点具有分配给各个节点处的数据传输的不同能量预算。因此，如果没有能量感知传输方案，能量可以消耗更快地从传感器节点与较小的能量预算比从其余的传感器节点在无线传感器网络。这减少了覆盖区域以及无线传感器网络的寿命。协作波束形成（CB）最初被提出来实现定向增益，然而，它也固有地在协作传感器节点上分配相应的能量消耗。事实上，CB可以被看作是一个物理层解决方案（相对于媒体访问控制/网络层解决方案），以平衡单个传感器节点的生命周期，并延长整个WSN的生命周期。然而，能量感知CB方案的引入是延长无线传感器网络寿命的关键。在本文中，CB与功率分配（CB-PA）的开发，以延长一个集群的协作传感器节点的生命周期，通过平衡单个传感器节点的生命周期。提出了一种新的策略，利用剩余能量信息在每个传感器节点。它调整每个传感器节点的能量消耗率，同时在目的地达到所需的平均信噪比（SNR）。它是一种半分布式的策略，并保持平均SNR。并对影响能耗的各种因素进行了研究。仿真结果表明，CB-PA在延长协作节点集群生命周期方面优于具有等功率分配的CB（CB-EPA）。
2014-01-16 cs.IT cs.NI math.IT
Communication Tradeoffs in Wireless Networks
我们在各种衰落的假设下，在无线网络中的最大可实现的广播速率的特征。我们的结果表现出在这种情况下，通过协作波束形成策略和网络中可用的自由度的数量之间的性能的二元性。
2016-01-24 cs.IT math.IT
Wireless Multi-User Interactive Virtual Reality in Metaverse with Edge-Device Collaborative Computing
提出基于边端协同计算的无线多用户交互式VR框架，通过安全强化学习算法AQM-CUP优化渲染决策与资源分配，克服MTP阈值瓶颈，显著提升用户沉浸感并降低设备功耗。
2024-07-30 cs.IT cs.MM math.IT
Collaborative Inference over Wireless Channels with Feature Differential Privacy
Princeton University（普林斯顿大学）
针对无线边缘协同推理中特征传输泄露隐私的问题，提出隐私保护机制与面向分类的空中池化方案，在降低通信开销的同时提供差分隐私保证和准确率下界。
2024-10-25 cs.CR cs.IT cs.LG
Adaptive Early Exiting for Collaborative Inference over Noisy Wireless Channels
Imperial College London（帝国理工学院）
本文针对无线边缘协作推理提出基于传输决策机制的提前退出方法，根据提前退出信息和信道条件决定是否传输数据，实验证明可在图像分类任务中同时提升性能并显著节省通信开销。
2023-11-29 cs.IT cs.LG cs.NI
Asynchronous Decentralized Learning over Unreliable Wireless Networks
EURECOM（欧洲通信学院）
分散式学习使边缘用户能够通过经由设备到设备通信交换信息来协作地训练模型，然而先前的工作仅限于具有固定拓扑和可靠工作者的无线网络。在这项工作中，我们提出了一个异步分散随机梯度下降（DSGD）算法，这是强大的固有的计算和通信故障发生在无线网络边缘。我们从理论上分析了它的性能，并建立了一个非渐近收敛保证。实验结果证实了我们的分析，证明了异步性和过时梯度信息重用在不可靠无线网络上的分散学习中的好处。
2022-02-02 cs.IT cs.LG eess.SP
User Association and Resource Allocation in Large Language Model Based Mobile Edge Computing System over 6G Wireless Communications
针对6G下移动边缘计算中受限用户的LLM服务需求，提出含分层协作训练的框架及整合多种优化技术的DASHF算法，经仿真验证有效，为协作式LLM部署提供参考。
2024-03-08 cs.IT eess.SP math.IT
CSGO: Generalized Optimization for Cold Start in Wireless Collaborative Edge LLM Systems
针对无线协作边缘大语言模型推理中的冷启动延迟问题，本文提出延迟感知调度框架CSGO，通过重叠模型加载与计算通信，并用动态规划优化层划分和设备分配，显著降低冷启动延迟。
2025-08-15 cs.AI cs.IT cs.LG
Energy-Efficient Design of Satellite-Terrestrial Computing in 6G Wireless Networks
针对6G星地协同边缘计算，提出联合优化卸载选择、波束成形与资源分配的能量高效算法，在满足延迟约束下最小化加权总能耗，并经理论分析与仿真验证其快速收敛与优越性能。
2023-11-15 cs.IT eess.SP math.IT
Wireless Communications for Collaborative Federated Learning
Princeton University（普林斯顿大学）；Shenzhen Research Institute of Big Data（深圳市大数据研究院）；The Chinese University of Hong Kong（香港中文大学）；Virginia Tech（弗吉尼亚理工大学）
物联网（IoT）服务将使用机器学习工具来有效地分析IoT设备收集的各种类型的数据，以实现推理、自治和控制目的。然而，由于资源限制和隐私挑战，边缘IoT设备可能无法将其收集的数据传输到中央控制器以用于训练机器学习模型。为了克服这一挑战，已经提出了联邦学习（FL）作为一种手段，用于使边缘设备能够在没有数据交换的情况下训练共享机器学习模型，从而减少通信开销并保护数据隐私。然而，谷歌开创性的FL算法要求所有设备都直接与中央控制器连接，这大大限制了其应用场景。在这种情况下，本文介绍了一种新的FL框架，称为协作FL（CFL），它使边缘设备实现FL与中央控制器的依赖性较低。该框架的基本原理的开发，然后，提出了一些通信技术，以提高CFL的性能。为此，集中式学习，谷歌的开创性FL和CFL的概述。对于每种类型的学习，基本架构以及它的优点，缺点和使用条件进行了介绍。然后，三个CFL性能指标，并介绍了一套通信技术，从网络形成，设备调度，移动性管理，编码，以优化CFL的性能。对于每种技术，未来的研究机会也进行了讨论。简而言之，本文将展示如何在物联网等大规模无线系统的边缘有效地实现所提出的CFL框架。
2020-08-29 cs.IT cs.LG math.IT
Cooperative Beamforming for Wireless Ad Hoc Networks
通过协作波束成形，无线网络中的节点能够以能量高效的方式在长距离上发送公共消息。然而，向所有协作节点提供相同消息的过程引入了延迟。在本文中，提出了一种MAC-PHY跨层方案，该方案能够以显著降低的协作开销实现协作波束成形。它包括两个阶段。在第一阶段中，节点以随机接入时隙方式在本地发送。从多个源节点的同时传输被视为所有传输的数据包的线性混合。在第二阶段中，充当分布式天线系统的一组协作节点将接收到的模拟波形波束成形到一个或多个遥远的目的地。该步骤需要将接收到的模拟波形乘以复数权重，该复数权重由每个协作节点独立计算，并且允许绑定到相同目的地的分组在目的地节点处相干地相加。假设每个节点都可以访问位置信息，所提出的方案可以实现高吞吐量，在某些情况下超过1。相应的符号错误概率的分析所提出的计划。
2007-08-06 cs.IT math.IT
A High-Throughput Cross-Layer Scheme for Distributed Wireless Ad Hoc Networks
在无线自组织网络中，分布的节点可以协作形成天线阵列进行远距离通信，以实现高能量效率。在最近的工作中，Ochiai等人，已经表明这种协作波束形成可以实现具有窄主瓣和低旁瓣的统计上良好的波束图案。然而，协作的过程引入了显著的延迟，因为所有的协作节点需要访问相同的信息。在本文中，提出了一种技术，显着降低了协作开销。它包括两个阶段。在第一阶段中，节点以随机接入方式在本地发送。碰撞，当它们发生时，被视为碰撞的数据包的线性混合。在第二阶段中，一组协作节点充当分布式天线系统，并将接收到的模拟波形波束成形到一个或多个遥远的目的地。该步骤需要将接收到的模拟波形乘以复数，该复数由每个协作节点独立计算，并且使得能够基于冲突的分组的最终目的地来分离冲突的分组。该方案要求每个节点具有网络坐标的全局知识。所提出的方案可以实现高吞吐量，在某些情况下超过1。
2007-04-21 cs.IT math.IT
Sidelobe Control in Collaborative Beamforming via Node Selection
协同波束成形（CB）是一种用于无线传感器网络（WSNs）中数据通信的功率高效方法，其目的在于通过在预期基站（S）或接入点（S）（BS/AP）的方向上辐射来自传感器节点集群的功率来增加网络中的传输范围。CB平均波束图案表示确定性行为，并且可以用于表征/控制在预期方向上的传输，因为CB波束图案的主瓣独立于特定的随机节点位置。然而，由有限数量的协作节点形成的集群的CB导致具有严重依赖于特定节点位置的旁瓣的样本波束图案。当高电平旁瓣出现在非预期BS/AP的方向上时，它们可能导致不可接受的干扰。因此，在CB中的旁瓣控制有可能通过减少干扰来增加网络容量和无线信道可用性。传统的旁瓣控制技术是针对集中式天线阵列提出的，因此不适用于无线传感器网络。在本文中，我们表明，分布式的，可扩展的，低复杂度的旁瓣控制技术，适用于无线传感器网络中的CB节点选择技术的基础上，利用节点位置的随机性。提出了一种低速率反馈的节点选择算法，用于搜索不同的节点组合。所提出的算法的性能进行了分析，在选择的协作节点和所产生的干扰所需的平均试验次数。我们的仿真结果证实了理论分析，并表明当节点选择与CB一起使用时，干扰显着降低。
2010-01-19 cs.IT math.IT
Accelerating Multi-UAV Collaborative Sensing Data Collection: A Hybrid TDMA-NOMA-Cooperative Transmission in Cell-Free MIMO Networks
本研究针对多无人机协同感知数据收集场景，采用无蜂窝MIMO网络管控干扰，提出融合TDMA、NOMA与协作传输的混合策略，通过联合优化任务拆分比例与传输方案，有效缩短感知任务完成时间。
2024-11-04 cs.IT eess.SP math.IT
Collaborative Artificial Intelligence (AI) for User-Cell association in Ultra-Dense Cellular Systems
利用人工智能技术研究了密集无线网络中小型基站与用户之间的小区关联问题。该问题被公式化为一个平均场博弈，其中用户的目标是通过利用本地数据和邻近用户的数据，通过模仿过程来最大化他们的数据率。这样的协作学习过程防止用户经由蜂窝网络的有限回程链路直接交换他们的数据，并且因此允许他们以最小计算协作地改进他们的小区关联策略。为了解决这个问题，提出了一种神经Q学习学习算法，它使用户能够使用神经网络来预测他们的奖励函数，该神经网络的输入是相邻用户选择的SBS和所考虑用户的本地数据。仿真结果表明，所提出的基于模仿的小区关联机制收敛到最优解的速度比传统的小区关联机制没有模仿。
2018-09-04 cs.IT math.IT
Reconfigurable Coupler Antenna for Wireless Networks
University of Waterloo（滑铁卢大学）
本文介绍可重构耦合天线（RCA）技术，通过重新配置低成本耦合器的位置和旋转，利用互耦实现机械波束赋形，以提升无线网络性能，并展示其在波束增益、路径损耗降低、衰落缓解、空间复用增益、干扰抑制和几何增益等方面的优势。
2026-05-28 cs.IT eess.SP math.IT
Joint Beamforming and Location Optimization for Secure Data Collection in Wireless Sensor Networks with UAV-Carried Intelligent Reflecting Surface
研究了无线传感器网络中无人机携带的智能反射面（IRS）的安全数据汇集问题。一个窃听者（Eve）潜伏在主接收器（Bob）附近，而几个随机放置的传感器节点协同波束形成到无人机携带的IRS，将信号反射到主接收器（Bob）。设计目标是通过联合优化传感器节点的协作波束形成权重、无人机的轨迹和IRS元件的反射系数来最大化噪声通信信道中可实现的保密率。通过设计IRS反射系数与窃听者的信道的知识，我们开发了一个非迭代的次优解的保密率最大化问题。分析表明，无人机飞行时间和传感器节点分布的随机性，通过改变传感器分布区域，可以极大地影响保密性能。此外，还导出了IRS辅助噪声通信信道的最大允许IRS单元数以及可达到的平均保密率的界。大量的仿真结果表明，所提出的算法相比，现有的计划具有优越的性能。
2021-01-17 cs.CR cs.IT math.IT
Deep Actor-Critic Learning for Distributed Power Control in Wireless Mobile Networks
深度强化学习为监督式深度学习和经典优化提供了一种无模型的替代方案，用于解决无线网络中的发射功率控制问题。多智能体深度强化学习方法将每个发射机视为单独的学习智能体，通过观察本地无线环境来确定其发射功率水平。遵循一定的策略，这些智能体学习协作地最大化全局目标，例如，和率效用函数这种多代理方案易于扩展，实际上适用于大规模的蜂窝网络。在这项工作中，我们提出了一个分布式执行的连续功率控制算法的帮助下，深度演员批评学习，更具体地说，通过调整深度确定性的政策梯度。此外，我们将建议的功率控制算法的时隙系统中的设备是移动和信道条件变化迅速。我们证明了所提出的算法的功能，使用仿真结果。
2020-09-14 cs.IT eess.SP math.IT
Robust Transmissions in Wireless Powered Multi-Relay Networks with Chance Interference Constraints
在本文中，我们考虑一个无线供电的多中继网络中，一个多天线的混合接入点下的蜂窝系统传输信息到遥远的接收器。在网络中部署多个具有能量收集能力的中继来辅助信息传输。混合接入点可以无线地向中继器提供能量，从信号和能量合作中实现多用户增益。我们提出了一个联合优化的信号波束形成的混合接入点，以及无线能量收集和协作波束形成策略的中继。目标是最大化受到蜂窝用户设备处的概率干扰约束的网络吞吐量。我们制定的吞吐量最大化的时间切换和功率分配方案，这对无线功率和信息传输的操作参数之间施加非常不同的耦合。虽然优化问题本质上是非凸的，但它们具有相似的结构属性，可以利用这些属性进行有效的算法设计。特别是，通过利用吞吐量的单调性，我们通过定制的polyblock近似迭代地最大化它，降低了复杂性。数值结果表明，所提出的算法可以实现接近最优的性能，在能源效率和吞吐量。
2018-10-18 cs.IT math.IT
Interplay between RIS and AI in Wireless Communications: Fundamentals, Architectures, Applications, and Open Research Problems
未来的无线通信网络有望满足前所未有的性能要求，以支持我们高度数字化和全球数据驱动的社会。为了实现我们的目标，必须克服各种技术挑战。在许多潜在的技术中，可重构智能表面（RIS）和人工智能（AI）引起了广泛的关注，从而导致了将它们用于无线通信系统的研究的激增。基于RIS的无线通信框架和AI使能技术是第六代网络的两种有前途的技术，它们相互作用和相互促进，努力共同创造一个可控、智能、可重构和可编程的无线传播环境。本文探讨了实现RIS和AI相结合的道路;具体来说，将AI技术集成到基于RIS的框架中，以最大限度地提高RIS的实用性，以促进智能无线电传播环境的实现，从浅到深的见解。本文首先介绍了区域创新系统的基本概念和基本特征，然后综述了区域创新系统的研究现状。然后，我们分析了RIS与AI结合的必然趋势。特别是，我们专注于最近的研究与AI嵌入基于RIS的架构，阐明从智能结构和系统的超材料的AI嵌入RIS辅助无线通信系统。最后，讨论了该主题的挑战和潜力。
2021-01-01 cs.IT math.IT
CoNet-Rx: Collaborative Neural Networks for OFDM Receivers
本文提出CoNet，一种用于OFDM接收机的协作神经网络架构，通过多个小型子网络并行处理信号特征并融合输出，在相同复杂度下显著提升误码率性能并降低推理延迟。
2025-10-14 cs.IT math.IT
Data Dissemination And Collection Algorithms For Collaborative Sensor Networks Using Dynamic Cluster Heads
我们开发了新的无线传感器网络（WSNs）的数据分发和收集算法，其中我们考虑$n$传感器节点随机分布在一定的领域来测量一个物理现象。这样的传感器具有有限的能量、不足的覆盖范围、带宽和存储器限制。我们希望在整个网络中传播节点的数据，使得基站将能够通过查询少量节点来收集感测数据。我们提出了两个数据分发和收集算法（DCA的）来解决这个问题。数据分发是通过动态选择一些节点。所选择的节点将在时隙$t$之后改变，并且可以在周期$T$之后重复。
2012-05-09 cs.DS cs.IT cs.NI
Federated Learning over Wireless Device-to-Device Networks: Algorithms and Convergence Analysis
College of Electronic and Information Engineering, Shenzhen University（深圳大学电子与信息工程学院）
物联网（IoT）设备和云计算应用在孤立的数据中心上的激增，重新激发了人们对多个客户端通过联邦学习（FL）协作训练共享模型的兴趣。为了提高FL实现在无线系统中的通信效率，最近的工作已经提出了压缩和降维机制，以及考虑信道噪声、衰落和干扰的数字和模拟传输方案。现有技术主要集中在由分布式客户端和中央服务器组成的星形拓扑。相比之下，本文研究FL在无线设备到设备（D2D）网络的分散随机梯度下降（DSGD）的数字和模拟实现的性能提供理论见解。首先，我们介绍了通用的数字和模拟无线实现的通信效率的DSGD算法，利用随机线性编码（RLC）的压缩和空中计算（AirComp）的同时模拟传输。接下来，在凸性和连通性的假设下，我们为这两种实现提供了收敛界。结果表明，最优间隙的连接和信号噪声比（SNR）的水平在网络上的依赖。图像分类任务的实验证实了分析。
2021-10-12 cs.IT cs.LG cs.NI
A Bayesian Framework for Collaborative Multi-Source Signal Detection
ST-Ericsson（意法爱立信）；Supélec（法国高等电力学院）
本文介绍了一种贝叶斯框架来检测多个信号嵌入在噪声观测传感器阵列。对于各种状态的知识的通信信道和噪声在接收传感器，边缘化过程的基础上最近的工具的有限随机矩阵理论，结合最大熵原理，用于计算假设选择标准。非常值得注意的是，明确的表达式推导出贝叶斯检测器，使决定在嘈杂的无线环境中的信号源的存在。所提出的贝叶斯检测器优于经典的功率检测器时，噪声功率是已知的，并提供了非常好的性能有限的知识的噪声功率。仿真证实了理论结果和量化的增益实现使用建议的贝叶斯框架。
2009-09-08 cs.AI cs.IT math.IT
Wireless ad-hoc networks: Strategies and Scaling laws for the fixed SNR regime
本文研究了随机ad-hoc无线网络在强散射环境下的吞吐量缩放定律。我们开发计划，以优化的比率，$ρ(n)$的可实现的网络总容量的源-目的地对在隔离操作的点到点的能力的总和。对于固定SNR网络，即，在最坏的情况下，SNR的源-目的地对是固定的独立$n$，我们表明，合作策略产生的$ρ(n) = {\cal O}(\frac{1}{n^{1/3}})$的缩放定律相反，多跳策略产生的缩放定律$ρ(n) = {\cal O}(\frac{1}{\sqrt{n}})$。虽然，网络的最坏情况下的SNR为零，不排除合作的可能性，多跳策略实现最佳的吞吐量。合理的原因是，由于合作的收益不能抵消消失的接收SNR的影响。这表明，对于固定SNR的网络，网络设计人员应该寻找利用协作的网络协议。大多数当前网络在固定SNR干扰受限环境中操作的事实提供了考虑该机制的进一步动机。
2006-08-23 cs.IT math.IT
Investigating Low Level Protocols for Wireless Body Sensor Networks
医学传感器的快速发展增加了对无线体域网（WBAN）应用的兴趣，其中来自人体及其环境的生理数据被收集、监测和分析以采取适当的措施。在WBAN中，设计MAC协议以确保足够的服务质量（QoS）（例如低延迟和高可扩展性）是至关重要的。本文研究了WBAN中使用的媒体访问控制（MAC）协议，并比较了它们在高流量环境下的性能。这种情况可以在紧急情况下诱发，例如，从人体上的所有传感器收集的生理数据应该同时发送以采取适当的行动。这项研究也可以扩展到包括协作WBAN系统，其中来自不同机构的信息同时发送，导致高流量。OPNET仿真进行比较的延迟和可扩展性性能的不同的MAC协议在相同的实验条件下，并得出结论的最佳协议，用于在高流量的环境。
2016-11-25 cs.DC cs.IT math.IT
Towards Smart and Reconfigurable Environment: Intelligent Reflecting Surface Aided Wireless Network
尽管第五代（5G）技术将显著提高当今无线通信网络的频谱和能源效率，但其高复杂性和硬件成本以及越来越多的能耗仍然是有待解决的关键问题。此外，尽管这样的技术通常能够适应空间和时间变化的无线环境，但是在其上的信号传播基本上是随机的并且在很大程度上是不可控的。最近，智能反射表面（IRS）已被提出作为一个革命性的解决方案，以解决这个开放的问题，通过巧妙地重新配置无线传播环境，使用大量的低成本，无源，反射元件集成在一个平面上。具体地，IRS的不同元件可以通过控制入射信号的幅度和/或相位来独立地反射入射信号，从而协作地实现用于信号增强或消除的细粒度三维（3D）无源波束成形。本文介绍了IRS技术的发展概况，包括IRS技术在无线通信中的主要应用、相对于现有技术的竞争优势、硬件结构以及相应的新信号模型。我们专注于设计和实现新的IRS辅助混合（有源和无源组件）无线网络的关键挑战，相比，传统的网络，仅包括有源组件。此外，数值结果显示，在典型的无线网络场景中使用IRS显着的性能增强的潜力。
2019-08-30 cs.IT cs.NI math.IT
Scheduling and Aggregation Design for Asynchronous Federated Learning over Wireless Networks
Department of Electrical Engineering (ISY), Linköping University（电气工程系（ISY），林奈大学）
本文提出了一种基于无线网络的异步联邦学习调度与聚合设计，通过信道感知数据重要性调度策略和年龄感知聚合设计，提升模型收敛性能和学习效果。
2025-12-03 cs.DC cs.IT cs.LG
Distributed Learning in Wireless Networks: Recent Progress and Future Challenges
Princeton University（普林斯顿大学）；Imperial College London（帝国理工学院）；The University of Hong Kong（香港大学）；Virginia Tech（弗吉尼亚理工大学）；University of Oulu（奥卢大学）；Ericsson Research（爱立信研究院）
下一代无线网络将使许多机器学习（ML）工具和应用程序能够有效地分析边缘设备收集的各种类型的数据，以实现推理、自治和决策目的。然而，由于资源限制、延迟限制和隐私挑战，边缘设备无法将其整个收集的数据集卸载到云服务器，以集中训练其ML模型或进行推理。为了克服这些挑战，分布式学习和推理技术被提出作为一种手段，使边缘设备能够在没有原始数据交换的情况下协作训练ML模型，从而减少通信开销和延迟，并提高数据隐私。然而，在无线网络上部署分布式学习面临若干挑战，包括不确定的无线环境、有限的无线资源（例如，发射功率和无线电频谱）以及硬件资源。本文全面研究了如何在无线边缘网络上高效地部署分布式学习。我们提出了一个详细的概述几个新兴的分布式学习范式，包括联邦学习，联邦蒸馏，分布式推理，和多智能体强化学习。对于每个学习框架，我们首先介绍了在无线网络上部署它的动机。然后，我们提出了一个详细的文献回顾，其有效的部署使用的通信技术。然后，我们介绍了一个说明性的例子来展示如何优化无线网络，以提高其性能。最后，我们介绍了未来的研究机会。简而言之，本文提供了一套关于如何在现实世界的无线通信网络上部署广泛的分布式学习框架的整体指导方针。
2021-04-05 cs.IT cs.LG math.IT
Intelligent Reflecting Surface Enhanced Wireless Network via Joint Active and Passive Beamforming
智能反射表面（IRS）被认为是一种新的和革命性的技术，用于实现频谱和能源效率的无线通信网络的成本效益在未来。具体地，IRS由大量低成本无源元件组成，每个无源元件以一定的相移反射入射信号，以在指定的接收器处协作地实现波束成形和/或干扰抑制。在本文中，我们研究了一个IRS辅助的多用户多输入单输出（MISO）无线系统，其中一个IRS部署，以协助从多天线接入点（AP）的多个单天线用户的通信。因此，每个用户经由其反射从AP以及IRS接收叠加的信号。我们的目标是最大限度地减少在AP的总发射功率，通过联合优化发射波束成形的有源天线阵列在AP和反射波束成形的无源移相器在IRS，受用户的个人信号与干扰加噪声比（SINR）的约束。然而，制定的问题是非凸的，很难得到最优解。
2019-08-12 cs.IT math.IT math.OC
Multi-Agent Reinforcement Learning in Wireless Distributed Networks for 6G
本文系统综述了面向6G的MARL辅助无线分布式网络，分析其数学背景、网络结构、MARL方法分类、关键挑战及与信息瓶颈、镜像学习等新兴技术的结合，并展望未来研究方向。
2025-02-09 cs.IT cs.SY eess.SY
WDMoE: Wireless Distributed Large Language Models with Mixture of Experts
Cooperative Medianet Innovation Center, Shanghai Jiao Tong University（上海交通大学合作媒介网络创新中心）；Pengcheng Laboratory（鹏城实验室）；Future Network of Intelligent Institute (FNii), the Chinese University of Hong Kong (Shenzhen)（香港中文大学（深圳）未来网络智能研究所）；Beijing University of Posts and Telecommunications（北京邮电大学）
本文提出WDMoE范式，将大语言模型的MoE层分解并跨基站与移动设备分布式部署专家网络，同时设计兼顾模型性能与端到端时延的专家选择策略，在多种LLMs和数据集上验证其性能优于Llama 2 70B并显著降低时延。
2024-05-06 cs.AI cs.IT cs.LG
Agentic AI-Empowered Wireless Agent Networks With Semantic-Aware Collaboration via ILAC
Zhejiang University（浙江大学）；College of Information Science and Electronic Engineering, Zhejiang University（浙江大学信息与电子工程学院）；Zhejiang Provincial Key Laboratory of Info. Proc., Commun. & Netw. (IPCAN)（浙江省信息处理、通信与网络重点实验室）；King’s College London（伦敦国王学院）；Department of Engineering, King’s College London（伦敦国王学院工程系）；University of Miami（迈阿密大学）；Institute for Data Science and Computing, University of Miami（迈阿密大学数据科学与计算研究所）；The University of Hong Kong（香港大学）；Department of Electrical and Electronic Engineering, The University of Hong Kong（香港大学电子电气工程系）
本文提出一种基于ILAC的无线代理网络框架，通过语义感知协作实现高效代理协作，解决了语义冗余和通信计算控制机制不足的问题，实验表明其在动态环境中具有更高的能效和可扩展性。
2026-04-01 cs.IT cs.MA cs.NI
