Quantization Design for Deep Learning-Based CSI Feedback
本文针对深度学习CSI反馈中的量化问题，提出带比特分配的量化模块及与自编码器联合训练方法，并设计自适应加权损失函数，仿真验证其性能优于现有基线。
2025-03-11 eess.SP
Predictive Covert Communication Against Multi-UAV Surveillance Using Graph Koopman Autoencoder
Deakin University（迪肯大学）；Singapore University of Technology and Design（新加坡科技设计大学）；Defence Science and Technology Group（国防科技集团）
本文提出预测性隐蔽通信框架，结合图神经网络与Koopman理论建模多无人机网络交互并线性化动力学以预测其轨迹，使检测概率较基线降低63%-75%，实现低延迟隐蔽操作。
2024-09-25 cs.LG cs.NI eess.SP
DeepPos: Deep Supervised Autoencoder Network for CSI Based Indoor Localization
Amirkabir University of Technology（阿米尔卡比尔理工大学）
移动设备的普及促进了许多新应用程序和服务的出现。其中包括基于用户位置提供服务的基于位置的服务（LBS）。已经提出了几种技术来实现LBS，即使在全球定位系统（GPS）具有低定位精度的室内环境中。这些方法使用某些环境测量（如信道状态信息（CSI）或接收信号强度（RSS））来进行用户定位。在本文中，我们将使用CSI和一种新的深度学习算法来设计一个强大而高效的室内定位系统。更准确地说，我们使用监督自动编码器（SAE）使用在训练阶段收集的数据来对环境进行建模。然后，在测试阶段，我们使用训练好的模型，通过检查不同的可能标签来估计未知点的坐标。与以前的指纹识别方法不同，在这项工作中，我们不存储指纹的{CSI/RSS}，而是只使用单个SAE对环境进行建模。该方案的性能，然后在两个室内环境中进行评估，并与类似的方法进行比较。
2018-11-27 cs.AI cs.LG eess.SP
Graph Koopman Autoencoder for Predictive Covert Communication Against UAV Surveillance
School of Information Technology, Deakin University（迪肯大学信息技术学院）；Defense Science and Technology Group（国防科学技术集团）
针对无人机监视下的低检测概率通信难题，提出结合图神经网络与Koopman理论的框架预测无人机轨迹，并据此控制节点发射功率，有效实现地面隐蔽通信。
2024-01-23 cs.LG cs.SY eess.SP
A CSI Feedback Framework based on Transmitting the Important Values and Generating the Others
针对DL基CSI反馈网络泛化能力有限的问题，提出ITUG框架：UE传输CSI关键值，BS用TPMVNet生成剩余值，实验证明其在多样信道条件下重建性能优于多个高性能自动编码器模型。
2024-11-29 eess.SP
CSI Clustering with Variational Autoencoding
Technical University of Munich（慕尼黑工业大学）
无线信道的模型阶数对于通信工程中的各种应用起着重要作用，例如，它表示从发射机入射到接收机的具有不可忽略的功率的可分辨入射波前的数目。诸如波达方向估计的领域利用模型阶数来分析信道状态信息的多径分量。在这项工作中，我们建议使用一个变分自动编码器组未标记的信道状态信息相对于模型的顺序在变分自动编码器的潜在空间中的无监督的方式。我们验证了我们的方法与模拟3GPP信道数据。我们的研究结果表明，为了学习适当的聚类，至关重要的是使用一个更灵活的似然模型的变分自动编码器解码器比它通常是在标准应用程序的情况下。
2022-10-27 cs.LG eess.SP
Context-Aware CSI Prediction for Access Point Selection Utilizing Conditional VAEs
TUM School of Computation, Information and Technology, Technical University of Munich（慕尼黑工业大学计算、信息与技术学院）
本文提出利用条件VAE模型，通过用户和移动遮挡物位置预测CSI统计信息，实现基于预测的接入点选择，无需连续CSI估计。
2026-04-15 eess.SP
Information-Preserving CSI Feedback: Invertible Networks with Endogenous Quantization and Channel Error Mitigation
针对FDD大规模MIMO中自编码器CSI反馈的不可逆信息损失，提出基于可逆神经网络的InvCSINet，内生融合量化、信道失真与信息补偿模块，以轻量架构提升恢复精度与鲁棒性。
2025-07-27 eess.SP
Learning-Based MIMO Channel Estimation under Spectrum Efficient Pilot Allocation and Feedback
使用大规模MIMO收发器的无线链路对于下一代无线通信网络至关重要。大规模MIMO传输中的预编码需要准确的下行链路信道状态信息（CSI）。许多最近的工作已经有效地应用深度学习（DL）来联合训练UE侧压缩网络以用于延迟域CSI和BS侧解码方案。重要的是，这些工作假设全延迟域CSI在UE处可用，但实际上，UE必须基于有限数量的频域导频来估计延迟域。在这项工作中，我们提出了一个线性导频延迟（P2 D）估计，将稀疏频率导频截断延迟CSI。我们证明了P2 D估计在频率下采样下是准确的，并且我们证明了P2 D估计可以有效地利用现有的基于自动编码器的CSI估计网络。除了考虑基于导频的下行链路CSI估计，我们应用展开的优化网络来模拟压缩感知（CS）的迭代解决方案，并且我们表现出比先前基于自动编码器的DL网络更好的估计性能。最后，我们研究了可训练CS网络在差分编码网络中用于时变CSI估计的有效性，并提出了一种新的网络MarkovNet-ISTA-ENet，该网络由用于初始CSI估计的CS网络和用于估计误差项的多个自动编码器组成。我们证明了这种异构网络具有更好的渐近性能比网络组成的只有一种类型的网络。
2022-01-13 cs.IT eess.SP math.IT
CIG-MAE: Cross-Modal Information-Guided Masked Autoencoder for Self-Supervised WiFi Sensing
Queen Mary University of London（伦敦玛丽女王大学）；University of West London（西伦敦大学）
研究利用WiFi CSI进行人类行为识别，针对监督方法受限及现有SSL不适用于CSI的问题，提出CIG-MAE，采用对称双流架构、自适应掩码策略和正则化器，实验证明其在多方面优于现有方法，提升了数据效率等。
2026-09-22 cs.CV eess.SP
Channel Estimation in Underdetermined Systems Utilizing Variational Autoencoders
本文提出利用变分自编码器实现欠定系统中的信道估计，扩展了现有框架，且训练阶段无需完美CSI，仿真验证了其在混合和宽带系统中的优异性能。
2024-01-05 cs.IT eess.SP math.IT
Improving Channel Charting with Representation-Constrained Autoencoders
最近已经提出了信道制图（CC），以使得能够仅根据信道状态信息（CSI）在多天线基站的邻域中对用户设备（UE）进行逻辑定位。CC依赖于高维CSI特征的降维，以便构造捕获空间和无线电几何形状的信道图，使得空间上接近的UE在信道图中接近。在本文中，我们证明了自动编码器（AE）为基础的CC可以增加边信息，在CSI采集过程中获得。更具体地说，我们建议将成对表示约束纳入AE，目标是提高学习的信道图的质量。我们表明，这种表示约束的AE恢复了学习的信道图的全局几何形状，这使得CC能够在没有全球导航卫星系统或依赖于广泛而昂贵的测量活动的监督学习方法的情况下执行近似定位。
2019-08-07 cs.IT eess.SP math.IT
Transformer-Based Nonlinear Transform Coding for Multi-Rate CSI Compression in MIMO-OFDM Systems
提出基于Transformer的非线性变换编码方法，将CSI视为复值图像进行压缩，实现低复杂度多速率反馈，仅用6%参数达到最优率失真性能。
2025-02-27 eess.SP
Communication-efficient Personalized Federated Edge Learning for Massive MIMO CSI Feedback
本文针对大规模MIMO CSI反馈提出一种基于联邦边缘学习的个性化训练框架，通过差异化量化模型传输降低通信开销，并利用本地微调适应不同用户信道特性，在保护隐私的同时显著提升反馈性能。
2023-12-04 eess.SP
Multi-Modal Variable-Rate CSI Reconstruction for FDD Massive MIMO Systems
针对FDD系统中CSI反馈受率失真限制的问题，提出一种利用RGB图像或上行CSI等辅助数据的多模态可变码率信道重建框架，通过基于迁移学习的融合策略增强自动编码器，在5G NR场景中实现了接近最优的波束成形增益。
2025-03-07 cs.IT eess.SP math.IT
Multi-Rate Variable-Length CSI Compression for FDD Massive MIMO
针对FDD大规模MIMO中CSI反馈开销过大的问题，本文提出一种基于带熵瓶颈结构的变分自编码器的灵活压缩方法，支持多速率与可变长度操作，并在归一化均方误差上优于现有技术。
2023-11-30 cs.IT eess.SP math.IT
WiFo: Wireless Foundation Model for Channel Prediction
本文提出首个空-时-频无线基础模型WiFo，通过MAE结构和掩码重建自监督预训练，在160K异构CSI样本上学习，并在无微调情况下实现SOTA零样本信道预测。
2025-03-19 eess.SP
WiFo-INR: A Wireless Foundation Model Based on Implicit Neural Representations
State Key Laboratory of Photonics and Communications, School of Electronics, Peking University（光电通信国家重点实验室，电子学院，北京大学）；The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））
本研究提出基于隐式神经表示的无线基础模型WiFo-INR，通过两阶段自监督预训练实现高效紧凑的CSI表示，在性能提升的同时降低延迟，可高效迁移至多任务并实现零样本泛化。
2026-08-11 eess.SP
Learning Time-Varying Graph Signals via Koopman
School of Electrical and Mechanical Engineering, The University of Adelaide（电气与机械工程学院，阿德莱德大学）；Information Systems Technology and Design Pillar, Singapore University of Technology and Design（信息系统技术与设计支柱，新加坡科技设计大学）
本文提出基于Koopman自编码器的框架，通过图嵌入将时变图信号映射到潜在空间并学习其底层非线性动力学，以实现图演化预测与缺失数据重建。
2025-11-09 cs.LG eess.SP
Swin Transformer-Based CSI Feedback for Massive MIMO
本文提出基于Swin Transformer的CSI反馈网络SwinCFNet，利用自编码器结构捕获信道状态信息的长程依赖，在模型规模相当的情况下显著优于其他深度学习方法，尤其在室外场景表现突出。
2024-01-12 cs.IT eess.SP math.IT
Learning the CSI Denoising and Feedback Without Supervision
针对频分双工系统中信道状态信息反馈开销大的问题，提出基于学习的联合去噪与反馈框架，仅用基站侧带噪上行数据训练可泛化下行的自编码器，将半部分部署到终端实现高效无训练反馈，性能优异。
2021-12-09 cs.IT eess.SP math.IT
Physics-Informed Uncertainty-Aware Beamforming for HAPS Massive MIMO under Imperfect CSI
University of Jeddah（吉达大学）；Ministry of Higher Education and Scientific Research（高等教育部和科学研究部）；University of South Florida（南佛罗里达大学）
针对高海拔平台大规模MIMO系统中不完美CSI导致的波束成形鲁棒性问题，提出一种物理信息不确定性感知框架，利用几何感知信道模型和物理信息变分自编码器学习不确定性，并通过多智能体策略梯度实现高效在线波束成形。
2026-06-27 eess.SP
JEPA-kMMVAE: CSI Prediction for Time-Varying Wireless Channels
Ericsson Research（爱立信研究）
针对时变多天线含噪观测的CSI预测难题，提出JEPA-kMMVAE模型，结合联合嵌入预测架构与k-记忆马尔可夫变分自编码器，仿真显示其在中高信噪比下性能优于基线模型。
2026-10-12 cs.IT cs.LG eess.SP
AI-Driven Subcarrier-Level CQI Feedback
Institute of Communications Engineering, National Sun Yat-sen University（国立中山大学通信工程研究所）
本文提出基于AI的子载波级CQI反馈框架，通过CQInet和SR-CQInet提升频谱效率和可靠性。
2025-12-22 eess.SP
Channel Modeling Aided Dataset Generation for AI-Enabled CSI Feedback: Advances, Challenges, and Solutions
针对 AI 赋能 CSI 反馈难以部署的问题，本文提出利用有限现场信道数据更新 TR 38.901 模型并生成增强数据集，仿真证明其性能显著优于基准方法。
2024-07-01 cs.AI eess.SP
Context-Aware Markov VAE for CSI Compression in Wireless Systems
Ericsson Research（爱立信研究）；Knut and Alice Wallenberg Foundation（克努特和阿莉斯·瓦伦贝格基金会）；ELLIIT；Lund University（隆德大学）
提出基于k-记忆马尔可夫变分自编码器的上下文感知压缩框架，利用有限时间窗口捕捉CSI在潜在空间中的演化，在低中压缩率下显著提升重构性能。
2026-06-16 cs.IT cs.LG eess.SP
CSI Feedback Under Basis Mismatch: Rate-Splitting Transform Coding for FDD Massive MIMO
POSTECH（浦项科技大学）
研究针对大规模MIMO频分双工系统中CSI反馈的基正交匹配问题，提出基于率分拆变换编码的实用架构，通过随机向量量化推导端到端均方误差表达式，实现最优率分配和基正交更新阈值识别。
2026-04-22 cs.IT eess.SP math.IT
Interference-Aware Constellation Design for Z-Interference Channels with Imperfect CSI
本文设计了一种基于深度自动编码器（DAE）的端到端通信系统。该设计是为不完美的信道状态信息（CSI）的估计和量化误差同时存在。所提出的结构共同优化的编码器和解码器，以产生干扰感知星座，适应其形状的干扰强度，以尽量减少比特出错率。规范化层旨在保证DAE中的平均功率约束，同时允许体系结构生成具有不均匀形状的星座。与标准均匀星座（如正交幅度调制）相比，这带来了进一步的整形增益。DAE-ZIC的性能与两种常规方法进行了比较，即，标准星座和旋转星座。所提出的结构显著地增强了ZIC的性能。仿真结果证实了在所有干扰状态（弱、中等和强）下的比特出错率降低。在信噪比为20 dB时，当仅存在量化误差时，改善达到约两个数量级，表明DAE-ZIC与传统方法相比对干扰具有高度鲁棒性。
2023-03-15 cs.IT eess.SP math.IT
End-to-End NOMA with Perfect and Quantized CSI Over Rayleigh Fading Channels
Department of ECE, Villanova University（电子工程系，维拉文纳大学）；Electrical Engineering and Computer Science, University of California, Irvine（电气工程与计算机科学，加州大学伊文斯顿分校）
本文提出了一种端到端自动编码器框架，用于在瑞利衰落信道中实现NOMA，通过量化CSI提升性能。
2026-02-13 cs.AI cs.IT eess.SP
Siamese Neural Networks for Wireless Positioning and Channel Charting
Cornell University（康奈尔大学）；Aalto University（阿尔托大学）；University of Maryland（马里兰大学）
最近已经提出了神经网络用于无线系统中的用户设备（UE）的定位和信道制图。这两种方法都处理在多天线基站处获取的信道状态信息（CSI），以便学习将CSI映射到位置信息的函数。使用深度神经网络的基于CSI的定位需要包含CSI和相关联的位置信息两者的数据集。信道制图（CC）仅需要CSI信息来提取相对位置信息。由于CC建立在降维的基础上，因此可以使用自动编码器来实现。在本文中，我们提出了一个统一的架构的基础上，暹罗网络，可用于监督UE定位和无监督信道制图。此外，我们的框架支持半监督定位，在训练过程中只有一小部分位置信息可用。我们使用模拟来证明，暹罗网络实现类似或更好的性能比现有的定位和CC方法与一个单一的，统一的神经网络架构。
2019-09-29 cs.IT cs.LG eess.SP
Deep Learning-based CSI Feedback for RIS-assisted Multi-user Systems
针对RIS辅助无线通信中CSI反馈效率问题，提出RIS-CoCsiNet深度学习框架，通过划分共享与独有CSI、增设基站解码融合模块、结合LSTM及幅度相关相位策略，在不修改UE的前提下显著降低反馈开销，经两类数据集仿真验证有效。
2024-03-09 cs.IT eess.SP math.IT
Channel State Information Preprocessing for CSI-based Physical-Layer Authentication Using Reconciliation
ETIS Laboratory, ENSEA, CY Cergy Paris University, CNRS（ETIS实验室，ENSEA，CY塞尔吉巴黎大学，CNRS）；Pontifical Catholic University of Rio de Janeiro (PUC-Rio)（里约热内卢天主教大学（PUC-Rio））；Barkhausen Institut gGmbH（巴肯豪森研究所）；School of Physics, Engineering and Technology, York University（约克大学物理、工程与技术学院）
本文提出了一种基于鲁棒主成分分析的预处理方法，用于提升 CSI 基础物理层认证的准确性，通过信息 reconciliation 和极码设计提高了检测概率和降低误概率。
2025-12-18 cs.CR eess.SP
Securing MIMO Wiretap Channel with Learning-Based Friendly Jamming under Imperfect CSI
针对 MIMO 窃听信道在不完美或缺失 CSI 下的安全问题，提出基于自编码器和 MINE 的深度学习友好干扰框架，实现可比传统方案的安全性能并联合优化检测与吞吐。
2024-10-27 cs.IT eess.SP math.IT
JEPA-CFM: A Joint Embedding Predictive Architecture-based Channel Foundation Model for Robust Fluid Antenna Systems
Shanghai University（上海大学）；School of Communication and Information Engineering, Shanghai University（上海大学通信与信息工程学院）；Xi’an Jiaotong-Liverpool University（西交利物浦大学）；Xi’an University of Posts and Telecommunications（西安邮电大学）；the University of Sheffield（谢菲尔德大学）；University College London（伦敦大学学院）；Kyung Hee University（庆熙大学）
针对流体天线系统获取信道信息及定位的障碍，提出基于联合嵌入预测架构的信道基础模型，通过提取潜在嵌入学习通用表示，结合互补损失项训练，经仿真验证其在信道外推和无线定位上优于传统基线。
2026-07-23 eess.SP
ComHymba: Low-Complexity Domain-Informed Foundation Model for Wireless Communications
School of Electronic and Information Engineering, Beijing Jiaotong University（北京交通大学电子信息工程学院）
提出ComHymba，一种基于非对称掩码自编码器的领域信息无线基础模型，通过3D时空频补丁化、领域信息掩码策略和幅度-相位加权目标，结合Hymba块（窗口自注意力与状态空间模型融合），实现线性复杂度，在信道重建、感知和波束管理等任务上优于强基线且推理加速3.3倍。
2026-05-22 eess.SP
Improved Gaussian-Bernoulli Restricted Boltzmann Machines for UAV-Ground Communication Systems
本文针对无人机通信中的信道老化问题，提出一种结合多重高斯-伯努利受限玻尔兹曼机降维预训练与自编码器深度神经网络的CSI预测框架，并通过商用蜂窝网络实测数据验证其优于传统DNNs。
2022-06-16 eess.SP
Channel-Adaptive Wireless Image Transmission with OFDM
提出了一种基于学习的信道自适应联合信源和信道编码（CA-JSCC）方案，用于多径衰落信道下的无线图像传输。所提出的方法是一个端到端的自动编码器架构，采用正交频分复用（OFDM）传输的双注意力机制。与以前的作品，我们的方法是自适应信道增益和噪声功率的变化，利用估计的信道状态信息（CSI）。具体来说，与建议的双重注意力机制，我们的模型可以学习映射的功能和分配传输功率资源明智的基础上估计的CSI。大量的数值实验表明，CA-JSCC实现了现有的JSCC方案的最先进的性能。此外，CA-JSCC对变化的信道条件是鲁棒的，并且可以通过在更好的子信道上发送关键特征来更好地利用有限的信道资源。
2022-09-08 cs.IT eess.SP math.IT
Streamlining Multimodal Data Fusion in Wireless Communication and Sensor Networks
University of Bristol（布里斯托尔大学）；University of Exeter（埃克塞特大学）
本研究提出基于VQVAE的多模态数据融合新方法，在多数据集上实现优异重建性能，还可扩展至5G CSI反馈压缩场景，为资源受限场景提供通用解决方案。
2023-02-24 cs.AI cs.LG eess.SP
OFDM-guided Deep Joint Source Channel Coding for Wireless Multipath Fading Channels
研究了多径衰落信道下无线图像传输的联合信源信道编码（JSCC）.受最近基于深度学习的JSCC和基于模型的学习方法的启发，我们将自动编码器与正交频分复用（OFDM）相结合，以应对多径衰落。所提出的编码器和解码器使用卷积神经网络（CNN），并直接将源图像映射到复值基带样本进行OFDM传输。多径信道和OFDM由不可训练（确定性）但可区分的层表示，使得系统可以端到端地训练。此外，我们的JSCC解码器进一步结合显式信道估计，均衡，和额外的纠错，以提高性能。所提出的方法表现出2.5 - 4 dB的SNR增益为等效的图像质量相比，传统的计划，采用国家的最先进的，但单独的源和信道编码，如BPG和LDPC。当系统结合信道状态信息（CSI）反馈时，性能进一步改善。该方案对OFDM信号削波和用于训练和评估的信道模型的参数失配具有鲁棒性。
2021-09-11 eess.SP
Limited Feedback in RIS-Assisted Wireless Communications: Use Cases, Challenges, and Future Directions
本文针对RIS辅助无线通信中CSI反馈开销大的问题，提炼RIS信道的位置相关波动、超高维和结构化稀疏等特征，探讨利用信道定制、自动编码器等技术设计低开销反馈方案，并展望未来研究方向。
2025-06-28 cs.IT eess.SP math.IT
Smart Channel State Information Pre-processing for Joint Authentication and Secret Key Distillation
虽然关于基于RF指纹识别的认证和密钥提取的文献很多，但这两个主题通常被分开研究。在本文中，从观察无线信道是一个复合的，确定性/随机过程，我们提出了一个功率域分解，允许同时执行这两项任务。我们设计了智能预处理方案，将信道状态信息（CSI）观测向量分解为“可预测”和“不可预测”的组件。前者，主要是由于大规模衰落，可用于通过RF指纹节点认证。后者，主要是由于小尺度衰落，可以用于语义安全的密钥生成（SKG）。为了进行分解，我们提出：（i）指纹“可分性”标准，通过最大化的经验指纹措施之间的总变化距离表示;（ii）在不同的用户收集的观察的统计独立性度量，通过归一化版本的$d$维希尔伯特施密特独立性标准（dHSIC）检验统计量表示。我们提出了两个明确的实现，使用主成分分析（PCA）和内核PCA和黑盒，无监督学习，使用自动编码器。我们对合成和真实CSI数据集的实验表明，RF指纹识别和SKG的结合，以及明确的安全保证，在未来几代无线中是切实可行的。
2022-06-01 cs.CR cs.IT eess.SP
