Autonomous Power Allocation based on Distributed Deep Learning for Device-to-Device Communication Underlaying Cellular Network
Hanyang University（汉阳大学）
对于支持物联网（IoT）的5G系统的设备到设备（D2 D）通信，考虑到以集中方式在不同链路之间的复杂干扰，存在对分配资源的限制。如果D2 D链路由增强型节点基站（eNB）控制，并且因此保持eNB上的负担，并且其导致延迟的延迟。本文提出了一种使用深度学习的用于蜂窝网络下的IoT-D2 D通信的完全自主功率分配方法。在所提出的方案中，IoT-D2 D发送器独立于eNB和其他IoT-D2 D设备来决定发送功率。此外，功率集可以通过分布式方式的深度学习进行近似优化，以实现更高的小区吞吐量。我们提出了一种分布式深度学习架构，其中设备作为一个组进行训练，但独立运行。深度学习可以获得接近最佳的小区吞吐量，同时抑制对eNB的干扰。
2020-06-08 cs.LG eess.SP
Generalization over different cellular automata rules learned by a deep feed-forward neural network
Forschungszentrum Jülich（于利希研究中心）；University of Cologne（科隆大学）；Helmholtz AI（亥姆霍兹人工智能）
为了测试一类深度神经网络的泛化能力，我们基于John Conway的《生命游戏》随机生成了大量不同的二维元胞自动机（CA）规则集。使用这些规则，我们计算每个CA实例的几个轨迹。在各种生成的CA轨迹上训练具有短程和长程跳跃连接的深度卷积编码器-解码器网络，以在给定其先前状态的情况下预测下一个CA状态。结果表明，该网络能够学习各种复杂的细胞自动机的规则，并推广到看不见的配置。在某种程度上，网络显示出对规则集和邻域大小的泛化，而这些在训练过程中根本看不到。复制实验的代码可在以下网址公开获得：https://github.com/SLAMPAI/generalization-cellular-automata
2021-11-18 cs.AI cs.LG cs.NE
Deep Learning-Based Strategy for Macromolecules Classification with Imbalanced Data from Cellular Electron Cryotomography
Beijing University of Posts and Telecommunications（北京邮电大学）；Carnegie Mellon University（卡内基梅隆大学）；Tsinghua University（清华大学）
由不平衡数据训练的深度学习模型可能无法令人满意地工作，因为它可能由主要类别确定，因此可能会忽略具有少量数据的类别。在本文中，我们首次将基于深度学习的不平衡数据分类应用于冷冻电子断层扫描（Cryo-ET）捕获的细胞大分子复合物。我们采用了一系列的策略来处理不平衡数据，包括数据采样，装袋，助推，基于遗传编程的方法和。特别是，受Inception 3D网络的启发，我们提出了一种多路径CNN模型，该模型在Cryo-ET数据集上结合了焦点丢失和混淆来扩展数据集，其中每个路径对应于每种类型的数据都有其最佳性能，并让网络学习路径的组合以提高分类性能。此外，大量的实验表明，我们提出的方法是灵活的，足以应付不同数量的类，通过调整我们的多路径模型中的路径数。据我们所知，这项工作是处理不平衡数据的深度学习方法首次应用于细胞大分子复合物的内部组织分类，为计算生物学领域的细胞分类开辟了新的道路。
2019-08-27 cs.CV cs.LG eess.IV
Deep Cellular Recurrent Network for Efficient Analysis of Time-Series Data with Spatial Information
Old Dominion University（欧道明大学）；Jefferson Laboratory（杰斐逊实验室）
大规模时间序列数据的有效处理是机器学习中的一个复杂问题。传统的传感器信号处理流水线与手工设计的特征提取往往涉及巨大的计算成本与高维数据。深度递归神经网络在自动特征学习方面表现出了改善时间序列处理的前景。然而，通用深度递归模型随着数据复杂性的增加而在规模和深度上增长。这在具有时间和空间特征的高维数据的存在下特别具有挑战性。因此，这项工作提出了一种新的深度细胞递归神经网络（DCRNN）架构，以有效地处理具有空间信息的复杂多维时间序列数据。在所提出的模型中的细胞递归架构允许从空间分布的传感器信号源的时间序列数据的位置感知同步处理。广泛的可训练参数共享，由于在所提出的架构中的细胞性，确保了使用具有高维输入的递归处理单元的效率。本研究还探讨了多类时间序列数据从不同的应用领域的分类所提出的DCRNN模型的通用性。因此，建议的DCRNN架构进行评估，使用两个时间序列数据集：多通道头皮EEG数据集癫痫发作检测，和机器故障检测数据集获得内部。结果表明，所提出的架构实现了最先进的性能，同时利用大大减少可训练的参数相比，在文献中的可比方法。
2021-01-12 cs.CV cs.LG eess.SP
Cellular Network Capacity and Coverage Enhancement with MDT Data and Deep Reinforcement Learning
University of Bologna（博洛尼亚大学）；TIM Telecom Italia（意大利电信）
近年来，通信网络中的数据和计算资源的可用性显著增加。这促成了数据驱动算法在网络自动化中的崛起。本文研究了一种最小化路测（MDT）驱动的深度强化学习（DRL）算法，通过调整TIM蜂窝网络中一组小区的天线倾斜度来优化覆盖范围和容量。我们共同利用MDT数据，电磁仿真和网络关键性能指标（KPI）来定义用于训练深度Q网络（DQN）代理的模拟网络环境。对经典的DQN配方进行了一些调整，以提高试剂的样本效率、稳定性和性能。特别是，自定义的探索政策的目的是在训练时引入软约束。实验结果表明，该算法在长期回报和样本效率方面优于DQN和最佳优先搜索等基线方法。我们的研究结果表明，MDT驱动的方法构成了一个有价值的工具，自主覆盖和容量优化的移动无线电网络。
2022-02-22 cs.LG cs.NI
Cellular Traffic Prediction via Deep State Space Models with Attention Mechanism
College of Electronic and Information Engineering, Tongji University（同济大学电子与信息学院）；School of Science and Engineering, The Chinese University of Hong Kong at Shenzhen（香港中文大学（深圳）理工学院）；Shenzhen Key Laboratory of IoT Intelligent Systems and Wireless Network Technology, Chinese University of Hong Kong at Shenzhen（深圳物联网智能系统与无线网络技术重点实验室，香港中文大学（深圳））；Shenzhen Research Institute of Big Data, Chinese University of Hong Kong at Shenzhen（深圳大数据研究 institute，香港中文大学（深圳））
本文提出一种基于注意力机制和卡尔曼滤波的端到端深度状态空间框架，用于捕捉蜂窝流量的时空模式，并在三个真实数据集上验证了其优于现有方法的预测精度。
2025-05-26 cs.AI cs.LG
Deep Learning based Coverage and Rate Manifold Estimation in Cellular Networks
Purdue University（普渡大学）；IIT Kharagpur（印度理工学院卡拉格普尔分校）
本文提出了一种基于卷积神经网络的自动编码器（CNN-AE）来预测网络的位置相关速率和覆盖概率。我们训练的CNN利用BS位置数据的印度，巴西，德国和美国，并比较其性能与随机几何（SG）为基础的分析模型。与最佳拟合的基于SG的模型相比，CNN-AE分别将覆盖率和速率预测误差提高了$40\%$和$25\%$。作为一个应用程序，我们提出了一个低复杂度，可证明收敛的算法，使用训练的CNN-AE，可以计算需要部署在网络中，以满足预定义的空间异构性能目标的新BS的位置。
2022-08-21 cs.LG cs.NI
Physics-Based Trajectory Design for Cellular-Connected UAV in Rainy Environments Based on Deep Reinforcement Learning
University College Dublin（都柏林大学）；University of Alberta（阿尔伯塔大学）
针对雨天蜂窝连接无人机轨迹设计难题，提出基于物理的电磁模拟与深度强化学习（多步学习、双重Q学习）方法，联合优化飞行时间与信号干扰比，实验验证其在雨天环境中的有效性。
2023-08-31 cs.LG cs.SY eess.SY
TLETA: Deep Transfer Learning and Integrated Cellular Knowledge for Estimated Time of Arrival Prediction
The University of Texas at Dallas（德克萨斯大学达拉斯分校）
车辆到达时间的预测已经得到了广泛的研究。随着物联网设备和深度学习技术的出现，估计到达时间（ETA）已成为智能交通系统中的关键组成部分。尽管存在许多用于ETA的工具，但ETA用于特殊车辆，如救护车、消防车等，由于特殊车辆的交通数据量有限，因此仍然具有挑战性。现有的工作使用一个模型的所有类型的车辆，这可能会导致低精度。为了解决这个问题，作为该领域的第一个，我们提出了一个用于驾驶时间预测的深度迁移学习框架TLETA。TLETA构建细胞时空知识网格提取驾驶模式，结合道路网络结构嵌入构建深层神经网络进行ETA。TLETA包含可转移层，以支持不同类别车辆之间的知识转移。重要的是，我们的传输模型只对最后一层进行训练，以映射传输的知识，从而显著减少了训练时间。实验研究表明，我们的模型预测旅行时间具有很高的准确性，并优于许多国家的最先进的方法。
2022-06-17 cs.DC cs.IR cs.LG
Multi-Agent Deep Reinforcement Learning For Optimising Energy Efficiency of Fixed-Wing UAV Cellular Access Points
无人机（UAV）有望成为下一代通信的固有组成部分，因为它们可以被部署为向地面用户提供无线连接，以补充现有的地面网络。大多数关于使用UAV接入点进行蜂窝覆盖的现有研究考虑旋翼UAV设计（即四轴飞行器）。然而，我们预计固定翼无人机在需要长时间飞行的情况下（例如农村覆盖）更适合用于连接目的，因为与旋翼设计相比，固定翼无人机依赖于更节能的飞行形式。由于固定翼无人机通常无法悬停到位，其部署优化涉及优化其单独的飞行轨迹，使其能够以节能的方式为地面用户提供高质量的服务。在本文中，我们提出了一种多智能体深度强化学习方法，以优化固定翼无人机蜂窝接入点的能效，同时仍允许它们为地面用户提供高质量的服务。在我们的分散方法中，每个无人机都配备了一个决斗深度Q网络（DDQN）代理，可以在一系列时间步长内调整无人机的3D轨迹。通过与邻居协调，无人机以优化整个系统能源效率的方式调整各自的飞行轨迹。我们对一系列启发式轨迹规划策略的性能进行基准测试，并证明我们的方法可以提高系统的能源效率高达70%。
2021-11-03 cs.LG eess.SP
Online Antenna Tuning in Heterogeneous Cellular Networks with Deep Reinforcement Learning
University of Texas at Austin（德克萨斯大学奥斯汀分校）
我们的目标是共同优化天线倾斜角，垂直和水平半功率波束宽度的宏蜂窝在异构蜂窝网络（HetNet）。细胞之间的相互作用，最明显的是由于它们的耦合干扰，使得这种优化非常复杂。利用单代理强化学习（RL）算法进行这种优化变得相当次优，尽管其可扩展性，而多代理RL算法产生更好的解决方案，在牺牲可扩展性。因此，我们提出了一个折衷的算法之间的这两个。具体而言，首先在离线阶段中利用多代理平均场RL算法，以便将信息作为第二（在线）阶段单代理RL算法的特征进行传递，该算法采用深度神经网络来学习用户位置。这种两步方法是实际部署的实用解决方案，它应该自动适应网络中的环境变化。我们的研究结果表明，该算法的性能接近多智能体RL，这需要数百万次试验，数百次在线试验，假设相对较低的环境动态，并表现得比单智能体RL好得多。此外，所提出的算法是紧凑的和可实现的，并根据经验似乎提供了性能保证，无论环境动态的量。
2019-06-17 cs.LG stat.ML
Simultaneous Navigation and Radio Mapping for Cellular-Connected UAV with Deep Reinforcement Learning
Southeast University（东南大学）；Purple Mountain Laboratories（紫金山实验室）；National University of Singapore（新加坡国立大学）
细胞连接无人机（UAV）是一种很有前途的技术，可以释放未来无人机的全部潜力。然而，如何实现空中无人机的泛在三维（3D）通信覆盖是一个新的挑战。针对这一问题，提出了一种新的覆盖感知导航方法，利用无人机的可控机动性设计其导航/轨迹，以避开蜂窝基站的覆盖盲区，同时完成任务。我们制定了一个无人机轨迹优化问题，以最小化其任务完成时间和预期的通信中断时间的加权和，并提出了一种新的解决方案的基础上，深度强化学习（DRL）技术。为了进一步提高性能，我们提出了一个称为同步导航和无线电映射（SNARM）的新框架，其中无人机的信号测量不仅用于直接训练深度Q网络（DQN），而且还用于创建能够预测感兴趣区域中所有位置的中断概率的无线电地图。因此，这使得能够生成模拟的UAV轨迹并预测它们的预期返回，然后将其用于通过Dyna技术进一步训练DQN，从而大大提高学习效率。
2020-03-17 cs.IT cs.LG eess.SP
Deep Reinforcement Learning for Joint Spectrum and Power Allocation in Cellular Networks
Northwestern University（西北大学）
无线网络运营商通常将其拥有的无线电频谱划分为多个子带。在蜂窝网络中，这些子带然后在许多小区中被重用。为了减轻同信道干扰，联合频谱和功率分配问题通常被公式化以最大化和速率目标。用于解决这种问题的最佳已知算法通常需要瞬时全局信道状态信息和集中式优化器。事实上，这些算法在实践中还没有在具有时变子带的大型网络中实现。深度强化学习算法是解决复杂资源管理问题的有前途的工具。这里的一个主要挑战是频谱分配涉及离散子带选择，而功率分配涉及连续变量。在本文中，提出了一个学习框架，以优化离散和连续的决策变量。具体来说，两个独立的深度强化学习算法被设计为同时执行和训练，以最大化联合目标。仿真结果表明，该方案优于最先进的分数规划算法和以前的解决方案基于深度强化学习。
2020-12-19 cs.IT cs.LG eess.SP
Cellular Network Radio Propagation Modeling with Deep Convolutional Neural Networks
Futurewei Technologies, Inc.（未来wei技术有限公司）；Huawei Technologies, Co., Ltd.（华为技术有限公司）
无线传播建模和预测是现代蜂窝网络规划和优化的基础。传统的无线电传播模型分为两类。基于粗略统计的经验模型简单且计算效率高，但由于过度简化而不准确。确定性模型，如基于波传播物理定律的光线追踪，更准确，更具有场地特异性。但它们具有较高的计算复杂性，并且不灵活地利用传统全球信息系统（GIS）地图以外的站点信息。在这篇文章中，我们提出了一种新的方法来模拟无线电传播使用深卷积神经网络和报告显着提高性能相比，传统的模型。我们还为无线电传播的数据驱动建模奠定了框架，并使未来的研究能够利用丰富的非常规信息，例如卫星照片，以提供更准确和灵活的模型。
2021-10-05 cs.AI cs.IT cs.LG
Approaching Bio Cellular Classification for Malaria Infected Cells Using Machine Learning and then Deep Learning to compare & analyze K-Nearest Neighbours and Deep CNNs
University of Waterloo（滑铁卢大学）
疟疾是一种致命的疾病，每年夺去数十万人的生命。计算方法已被证明是有用的，在医疗行业提供有效的手段，诊断成像和疾病识别的分类。本文探讨了不同的机器学习方法在细胞图像中的疟疾的存在进行分类的上下文中。许多机器学习方法可以应用于同一个问题;一个机器学习方法是否更适合一个问题的问题在很大程度上取决于问题本身和模型的实现。特别是，卷积神经网络和k近邻都进行了分析和对比，就其应用于分类疟疾的存在和每个模型的经验性能。在这里，我们实现了两种分类模型：一个卷积神经网络和k近邻算法。这两种算法进行了比较的基础上验证精度。对于我们的实现，CNN（95%）的性能比kNN（75%）好25%。
2020-05-22 cs.CV cs.LG eess.IV
Deep Reinforcement Learning for Scheduling in Cellular Networks
Huawei Technologies（华为技术有限公司）
将人工智能（AI）集成到无线网络中引起了工业界和学术界的极大兴趣。通常的解决方案是替换传统系统中的部分甚至全部模块，这通常由于忽略了专家知识而缺乏效率和鲁棒性。在本文中，我们以基于深度强化学习（DRL）的调度为例，研究专家知识如何帮助蜂窝网络中的AI模块。为了便于研究，开发了一个仿真平台，该平台考虑了链路自适应、反馈等实用机制。除了传统的直接从环境中学习的方法外，我们还提出了两种新的训练DRL Agent的方法，从双AI模块学习和从专家解决方案学习。结果表明，对于考虑调度问题的DRL训练过程，通过引入专家知识，可以在性能和收敛速度上得到改善。因此，与其替换系统中的传统调度模块，不如添加新引入的AI模块，该AI模块能够与传统模块交互并提供更大的灵活性，这是一种更可行的解决方案。
2019-07-23 cs.IT cs.LG math.IT
Multi-omics Prediction from High-content Cellular Imaging with Deep Learning
GSK plc（葛兰素史克公司）
本研究提出Image2Omics深度学习方法，可直接从高内涵细胞图像预测细胞群体多组学特征，经人诱导多能干细胞来源的基因编辑巨噬细胞实验验证，部分转录本与蛋白质丰度可被预测，成像或可成为多组学测量的高效替代方案。
2024-05-21 cs.CV cs.LG q-bio.GN
Deep-Reinforcement-Learning-Based Scheduling with Contiguous Resource Allocation for Next-Generation Cellular Systems
Intel Corporation（英特尔公司）；Princeton University（普林斯顿大学）
调度在多用户无线通信中起着关键的作用，因为各个用户的服务质量很大程度上取决于分配的无线电资源。提出了一种基于深度强化学习（DRL）的连续频域资源分配调度算法。调度问题被建模为马尔可夫决策过程，并且DRL代理确定在每个RB分配步骤应该调度哪个用户以及该用户的多少个连续RB。状态空间、动作空间和奖励函数经过精心设计，用于训练DRL网络。更具体地说，原来的准连续的动作空间，这是固有的连续的FERMARY，被细化成一个有限的和离散的动作空间，以获得推理延迟和系统性能之间的权衡。仿真结果表明，该算法在具有较低的在线计算复杂性的同时，性能优于其他典型的基线调度算法。
2020-11-26 cs.LG cs.NI eess.SP
Handling Device Heterogeneity for Deep Learning-based Localization
Pennsylvania State University（宾夕法尼亚州立大学）；American University in Cairo（开罗美国大学）
本文针对基于深度学习的蜂窝网络定位中异构手机导致接收信号强度差异的问题，提出通过跨设备信号映射或知识迁移技术，在四个测试平台上将定位精度较现有系统提升220%以上。
2024-07-24 cs.CY cs.LG
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
Cellular Network Speech Enhancement: Removing Background and Transmission Noise
Carnegie Mellon University（卡内基梅隆大学）
语音增强的主要目标是在保留目标语音的同时降低背景噪声。当说话者被限制在嘈杂的环境中并且接收具有高背景和传输噪声的呼叫时，常见的困境发生。为了解决这个问题，深度噪声抑制（DNS）挑战赛的重点是使用下一代深度学习模型消除背景噪声，以增强目标的语音;然而，研究人员未能考虑IP语音（VoIP）应用的传输噪声。我们专注于Google Meet及其蜂窝应用程序，在VoIP DNS挑战赛的Google Meet To Phone Track上实现了最先进的性能。本文演示了如何击败工业性能，实现1.92 PESQ和0.88 STOI，以及各种指标的卓越声学保真度，感知质量和可懂度。
2023-01-22 cs.LG cs.SD eess.AS
Joint Path planning and Power Allocation of a Cellular-Connected UAV using Apprenticeship Learning via Deep Inverse Reinforcement Learning
Northern Arizona University（北亚利桑那大学）；Clemson University（克莱姆森大学）；Harvard Medical School（哈佛医学院）；North Carolina State University（北卡罗来纳州立大学）
本文提出基于逆强化学习的学徒学习方法，用于蜂窝连接无人机的联合路径规划与功率分配，在稀疏郊区环境中最大化上行吞吐量并最小化干扰，达到专家级性能且优于行为克隆。
2023-06-15 cs.AI cs.DC cs.GT
A Deep Reinforcement Learning Approach to Efficient Drone Mobility Support
The University of Texas at Austin（德克萨斯大学奥斯汀分校）
无人机在无数应用中的部署越来越多，这依赖于无缝可靠的无线连接来实现无人机的安全控制和操作。蜂窝技术是为空中飞行的无人机提供基本无线服务的关键推动因素。针对地面使用的现有蜂窝网络可以支持低空无人机用户的初始部署，但存在移动性支持等挑战。在本文中，我们提出了一种新的切换框架，提供高效的移动性支持和可靠的无线连接到由地面蜂窝网络服务的无人机。使用深度强化学习的工具，我们开发了一种深度Q-学习算法来动态优化切换决策，以确保无人机用户的鲁棒连接。仿真结果表明，所提出的框架显着减少了发射机的数量，代价是相对于基线情况的信号强度的小损失，其中无人机总是连接到提供最强接收信号强度的基站。
2020-05-11 cs.IT cs.LG math.IT
W-Cell-Net: Multi-frame Interpolation of Cellular Microscopy Videos
University of Toronto（多伦多大学）
深度神经网络越来越多地用于视频帧插值任务，例如帧速率更改以及生成假人脸视频。我们的项目旨在应用深度视频插值的最新进展来提高荧光显微镜延时电影的时间分辨率。据我们所知，没有以前的工作，使用卷积神经网络（CNN）来生成两个连续的显微镜图像之间的帧。我们提出了一个完全卷积的自动编码器网络，它以两张图像作为输入，并生成多达七张中间图像。我们的架构有两个编码器，每个编码器都有一个跳过连接到一个解码器。我们评估了我们的模型的几个变种，不同的网络架构和损失函数的性能。我们最好的模型优于最先进的视频帧插值算法。我们还展示了定性和定量的比较与国家的最先进的视频帧内插算法。我们相信，深度视频插值代表了一种提高荧光显微镜时间分辨率的新方法。
2020-05-14 cs.CV cs.LG eess.IV
Deep RAN: A Scalable Data-driven platform to Detect Anomalies in Live Cellular Network Using Recurrent Convolutional Neural Network
MTN IranCell
在本文中，我们提出了一种新的算法来检测关键参数指标（KPI）的活细胞网络的基础上的组合的递归神经网络（RNN），卷积神经网络（CNN），作为递归卷积神经网络（R-CNN）的异常。CNN对空间相关性和信息进行建模，而RNN对时间相关性和信息进行建模。本文研究的蜂窝网络包括2G、3G、4G和4.5G技术，KPI包括小区的语音和数据流量。数据和语音流量对于无线网络的所有者来说非常重要，因为它直接关系到用户体验的收入和服务质量。这些流量变化的发生有几个原因：由于特殊事件，使相邻站点处于空中或关闭状态，或者通过将流量转移到其他技术，例如将流量从3G转移到4G，用户行为发生变化。传统上，为了保持网络的稳定，需要在每个时间间隔内逐层观察流量，以检测KPI的重大变化，在大规模的电信网中，这将是过于耗时和异常检测的准确性低。然而，所提出的算法能够以时间有效和准确的方式检测网络的每个元素的异常KPI。它观察流量层的趋势，并将其分为8个流量类别：正常，突然增加，逐渐增加，突然减少，逐渐减少，快速站点，新站点和停机站点。此分类任务使供应商和运营商能够检测其实时网络中的异常情况，以保持KPI处于正常趋势。该算法是训练和测试的真实数据集上的细胞网络超过25000个细胞。
2019-11-10 cs.LG cs.NI eess.SP
Adversarial Turing Patterns from Cellular Automata
Skolkovo Institute of Science and Technology（斯科尔科沃科学技术学院）
最先进的深度分类器很容易受到普遍对抗性扰动的影响：小幅度的单一扰动会导致大多数输入的错误分类。这种现象可能导致严重的安全问题。尽管在这一领域的广泛研究，有一个缺乏理论上的理解，这些扰动的结构。在图像域中，代表这些扰动的模式与经典图灵模式之间存在一定的视觉相似性，经典图灵模式表现为非线性偏微分方程的解，并且是自然界中许多过程的基本概念。在本文中，我们提供了这两个不同的理论之间的理论桥梁，通过映射一个简化的算法制作通用扰动（非齐次）细胞自动机，后者是已知的生成图灵模式。此外，我们建议使用由元胞自动机生成的图灵模式作为通用扰动，并通过实验证明它们会显着降低深度学习模型的性能。我们发现这种方法是一种快速有效的方法，可以在黑盒场景中创建数据不可知的准不可感知的扰动。源代码可在https://github.com/NurislamT/advTuring上获得。
2021-04-06 cs.AI cs.LG cs.NE
Smart Scheduling based on Deep Reinforcement Learning for Cellular Networks
Hangzhou Research Center, Huawei Technologies（华为技术有限公司杭州研究中心）；Ottawa Research Center, Huawei Technologies（华为技术有限公司渥太华研究中心）
为了提高系统性能接近香农极限，先进的无线电资源管理机制发挥了根本性的作用。特别是，调度应该得到更多的关注，因为它在不同的用户在他们的信道条件和QoS要求方面分配无线电资源。调度算法的难点在于需要在吞吐量、公平性和丢包率等多个目标之间进行权衡。提出了一种基于深度强化学习（DRL）的智能调度方案。我们不仅验证了实现的性能增益，而且还提供了实现友好的设计，即，一个可扩展的神经网络设计的代理和虚拟环境的训练框架。通过可扩展的神经网络设计，DRL代理可以很容易地处理的情况下，当活跃用户的数量是时变的，而不需要重新设计和重新训练的DRL代理。首先在虚拟环境中离线训练DRL代理，并将其用作实际使用中的初始版本，有助于防止由于耗时的训练而导致系统性能和鲁棒性下降。通过仿真和现场测试，我们表明，基于DRL的智能调度优于传统的调度方法，可以在实际系统中采用。
2021-03-22 cs.AI cs.IT cs.LG
HyperNCA: Growing Developmental Networks with Neural Cellular Automata
IT University of Copenhagen（哥本哈根信息技术大学）
与深度强化学习代理相反，生物神经网络是通过自组织发展过程生长的。在这里，我们提出了一种新的超网络方法来增长人工神经网络的神经元自动机（NCA）的基础上。受自组织系统和发育生物学信息理论方法的启发，我们证明了我们的HyperNCA方法可以生长能够解决常见强化学习任务的神经网络。最后，我们将探讨如何使用相同的方法来构建能够转换其权重以解决初始RL任务变化的发育变态网络。
2022-04-25 cs.AI cs.LG cs.NE
DiffEx: Explaining a Classifier with Diffusion Models to Identify Microscopic Cellular Variations
ENS（法国高等师范学院）
针对生物图像分类模型的黑箱问题，提出DiffEx方法，利用扩散模型生成视觉可解释属性，解释分类器决策并识别微观细胞变异，在生物与自然图像任务中验证有效，助力疾病研究与药物发现。
2025-02-12 cs.AI cs.CV cs.LG
Deep Learning for Secure Mobile Edge Computing
Hangzhou Dianzi University（杭州电子科技大学）；University of Oslo（奥斯陆大学）
移动边缘计算（MEC）是在蜂窝网络边缘实现云计算能力的一种有前途的方法。尽管如此，安全性在基于MEC的应用中正成为越来越重要的问题。在本文中，我们提出了一个基于深度学习的模型来检测安全威胁。该模型利用无监督学习实现检测过程的自动化，并将位置信息作为重要特征来提高检测的性能。我们提出的模型可以用来检测蜂窝网络边缘的恶意应用程序，这是一个严重的安全威胁。使用10个不同的数据集进行了广泛的实验，结果表明，与最先进的机器学习算法相比，我们基于深度学习的模型实现了6%的平均准确率。
2017-09-23 cs.CR cs.LG cs.NI
Learning Power Control for Cellular Systems with Heterogeneous Graph Neural Network
Beihang University（北京航空航天大学）
利用深度学习优化多小区蜂窝网络中的功率控制使得能够实时实现这样的非凸问题。当通道是时变的时，深度神经网络（DNN）需要频繁地重新训练，这要求低训练复杂度。为了减少训练样本的数量和实现良好性能所需的DNN的大小，一种有前途的方法是将先验知识嵌入DNN。由于蜂窝网络可以建模为图，因此很自然地使用图神经网络（GNN）进行学习，该网络具有排列不变性（PI）和等价性（PE）属性。与已用于无线问题的同构GNN不同，其输出是不变的或等价于顶点的任意排列，异构GNN（HetGNN）更适合于对蜂窝网络进行建模，仅是不变的或等价于某些排列。如果HetGNN的PI或PE属性与要学习的任务的属性不匹配，则性能会急剧下降。在本文中，我们表明，功率控制策略具有不同的PI和PE属性的组合，现有的HetGNN不满足这些属性。然后，我们为HetGNN设计了一个参数共享方案，使得学习到的关系满足所需的属性。仿真结果表明，在相同的总速率损失下，所设计的GNN学习多用户多小区网络中最优功率控制策略的样本复杂度和规模远低于现有的DNN.
2020-11-06 cs.LG cs.SY eess.SY
Masked Autoencoders are Scalable Learners of Cellular Morphology
Recursion（递归制药公司）
本文研究自监督掩码自编码器在细胞形态学图像上的可扩展性，证明CNN和ViT架构在大规模显微镜数据上训练后显著优于弱监督基线，其中ViT-L/8在推断已知生物学关系时相对提升高达28%。
2023-11-27 cs.AI cs.CV cs.LG
Consistent Geometric Deep Learning via Hilbert Bundles and Cellular Sheaves
University of Pennsylvania（宾夕法尼亚大学）；Sakana AI；Northeastern University（东北大学）；Harvard University（哈佛大学）
本文提出了一种新的卷积学习框架，用于在流形上支持的可能无限维信号，通过希尔伯特丛关联的连接拉普拉斯算子作为卷积算子，引入了称为HilbNets的滤波器和神经网络，并通过两阶段采样过程实现，证明了采样诱导的希尔伯特细胞sheaf的sheaf拉普拉斯收敛于底层连接拉普拉斯，从而在无限维丛设置中推广了Belkin和Niyogi的收敛结果，最终在合成和现实任务中验证了该框架。
2026-11-05 cs.AI cs.LG eess.SP
Adaptive Hybrid Spatial-Temporal Graph Neural Network for Cellular Traffic Prediction
China Mobile Research Institute（中国移动研究院）
蜂窝业务量预测是智能通信网中不可缺少的一部分。然而，由于频繁的用户移动性和复杂的网络调度机制，蜂窝业务往往继承复杂的时空模式，使得预测令人难以置信的挑战。虽然最近的先进算法，如基于图的预测方法已被提出，他们经常模型的空间依赖性的基础上静态或动态图，并忽略了共存的多种空间相关性引起的流量生成。同时，一些研究工作缺乏对蜂窝业务模式多样性的考虑，导致预测结果不理想。在本文中，我们提出了一种新的深度学习网络架构，自适应混合时空图神经网络（AHSTGNN），以解决蜂窝流量预测问题。首先，我们应用自适应混合图学习来学习蜂窝塔之间的复合空间相关性。其次，我们实现了一个时间卷积模块与多周期的时间数据输入，以捕捉非线性的时间依赖性。此外，我们引入了一个额外的时空自适应模块来克服蜂窝塔的异构性。我们在两个真实世界的蜂窝流量数据集上的实验表明，AHSTGNN的性能明显优于最先进的技术，说明了我们的时空蜂窝流量预测方法的优越可扩展性。
2023-02-28 cs.AI cs.LG cs.NI
BiSHop: Bi-Directional Cellular Learning for Tabular Data with Generalized Sparse Modern Hopfield Model
Northwestern University（西北大学）；National Taiwan University（台湾大学）；National Center for Theoretical Sciences（国家理论科学中心）
针对深度表格学习的非旋转不变结构与特征稀疏性挑战，提出基于广义稀疏现代Hopfield层的双向学习框架BiSHop，以更少的超参数优化运行次数实现了超越现有SOTA的性能。
2024-07-12 cs.AI cs.LG stat.ML
Introducing Neuromodulation in Deep Neural Networks to Learn Adaptive Behaviours
University of Liège（列日大学）
动物擅长使自己的意图、注意力和行动适应环境，这使得它们在与丰富、不可预测和不断变化的外部世界互动时非常有效，这是智能机器目前所缺乏的。这种适应性在很大程度上依赖于细胞神经调节，这是一种生物学机制，它以依赖于上下文的方式动态控制神经元的内在特性及其对外部刺激的反应。在本文中，我们从细胞神经调节中获得灵感，构建了一个新的深度神经网络架构，该架构专门用于学习适应性行为。在Meta强化学习环境中的导航基准上测试网络自适应能力，并与最先进的方法进行比较。结果表明，神经调制是能够适应代理不同的任务，神经调制为基础的方法提供了一个很有前途的方式来提高人工系统的适应性。
2019-12-06 cs.LG cs.NE stat.ML
Latent Neural Cellular Automata for Resource-Efficient Image Restoration
Politecnico di Milano（米兰理工大学）
提出潜在神经细胞自动机（LNCA）模型，通过将计算转移至预训练自动编码器的潜在空间，显著降低资源消耗，在保持高重建保真度的同时支持处理大16倍的输入。
2024-03-22 cs.LG cs.NE eess.IV
Forecasting Mobile Traffic with Spatiotemporal correlation using Deep Regression
University of Catania（卡塔尼亚大学）
移动性预测的概念代表了未来蜂窝网络的有效管理的关键使能因素之一，由于多种技术的聚合，未来蜂窝网络趋于逐渐变得更加精细和密集。在这封信中，我们的目标是调查在大都市地区的蜂窝流量预测的问题，并提出了一个深度回归（DR）的方法来模拟其复杂的时空动态。DR是通过解决图像到图像回归问题来捕获移动数据的多尺度和多域依赖性的工具。输入和预期输出之间的参数关系被定义，网格搜索被放置到位，以隔离和优化性能。实验结果表明，该方法实现了较低的预测误差对国家的最先进的算法。我们通过使用欧洲供应商的大型公共数据集来验证预测性能和稳定性。
2019-07-25 cs.LG cs.NI eess.SP
Attention-based Neural Cellular Automata
McGill University（麦吉尔大学）；Mila（米拉研究所）；Polytechnique Montréal（蒙特利尔综合理工学院）
细胞自动机（CA）的最新扩展已经融入了现代深度学习的关键思想，极大地扩展了它们的功能，并催生了一系列新的神经细胞自动机（NCA）技术。受基于transformer的架构的启发，我们的工作提出了一类新的$\textit{attention-based}$ NCA形成使用空间本地化的$\unicode{x2014}$，但全球组织的$\unicode{x2014}$自我注意力计划。我们引入一个名为$\textit{Vision Transformer Cellular Automata}$（ViTCA）的该类实例。我们提供了六个基准数据集的去噪自动编码的定量和定性结果，将ViTCA与U-Net、基于U-Net的CA基线（UNetCA）和视觉Transformer（ViT）进行比较。当比较配置为类似参数复杂性的架构时，ViTCA架构在所有基准测试和几乎每个评估指标中都具有卓越的性能。我们提出了一个烧蚀研究的各种建筑配置的ViTCA，分析其对细胞状态的影响，并调查其感应偏置。最后，我们通过线性探针对其收敛的单元状态隐藏表示进行了检查，与我们的U-Net，ViT和UNetCA基线相比，平均而言，结果更好。
2022-11-02 cs.AI cs.CV cs.LG
