使用人工智能（AI）赋予无线网络中数据量的前所未有的数据量激增，为提供无处不在的数据驱动智能服务而开辟了新的视野。通过集中收集数据集和培训模型来实现传统的云彩中心学习（ML）基础的服务。然而，这种传统的训练技术包括两个挑战：（i）由于数据通信增加而导致的高通信和能源成本，（ii）通过允许不受信任的各方利用这些信息来威胁数据隐私。最近，鉴于这些限制，一种新兴的新兴技术，包括联合学习（FL），以使ML带到无线网络的边缘。通过以分布式方式培训全局模型，可以通过FL Server策划的全局模型来提取数据孤岛的好处。 FL利用分散的数据集和参与客户的计算资源，在不影响数据隐私的情况下开发广义ML模型。在本文中，我们介绍了对FL的基本面和能够实现技术的全面调查。此外，提出了一个广泛的研究，详细说明了无线网络中的流体的各种应用，并突出了他们的挑战和局限性。进一步探索了FL的疗效，其新兴的前瞻性超出了第五代（B5G）和第六代（6G）通信系统。本调查的目的是在关键的无线技术中概述了流动的技术，这些技术将作为建立对该主题的坚定了解的基础。最后，我们向未来的研究方向提供前进的道路。
translated by 谷歌翻译
由于其快速和低功率配置，可重新配置的智能表面（RISS）最近被视为未来无线网络的节能解决方案，这在实现大规模连通性和低延迟通信方面具有增加的潜力。基于RIS的系统中的准确且低空的通道估计是通常的RIS单元元素及其独特的硬件约束，这是最关键的挑战之一。在本文中，我们专注于RIS授权的多用户多用户多输入单输出（MISO）上行链路通信系统的上行链路，并根据并行因子分解提出了一个通道估计框架，以展开所得的级联通道模型。我们为基站和RIS之间的渠道以及RIS与用户之间的渠道提供了两种迭代估计算法。一个基于交替的最小二乘（ALS），而另一个使用向量近似消息传递到迭代的迭代中，从估计的向量重建了两个未知的通道。为了从理论上评估基于ALS的算法的性能，我们得出了其估计值CRAM \'ER-RAO BOND（CRB）。我们还通过估计的通道和基本站的不同预码方案讨论了可实现的总和率计算。我们的广泛仿真结果表明，我们的算法表现优于基准方案，并且ALS技术可实现CRB。还证明，使用估计通道的总和率总是在各种设置下达到完美通道的总和，从而验证了提出的估计算法的有效性和鲁棒性。
translated by 谷歌翻译
随着网络虚拟化和本地人工智能（AI）范式的发展，混合现实服务的进步已将未来无线网络的愿景概念化为整个数字平台上整体运行的综合实体，并与物理域，智能互动，与物理领域的智能互动为数字双胞胎（DT）概念的开花铺平道路。新颖的无线技术和用例的出现激发了对DT网络的最新兴趣，这加剧了协调网络和管理其资源的复杂程度。 DT的关键原理是在启用感索和AI的驱动下，为物理实体和网络动力学创建虚拟双胞胎，除了接收到的感觉数据外，还将利用虚拟双胞胎来生成合成数据以按需方式从身体双胞胎中。双胞胎的可用数据将是AI模型培训和智能推理过程的基础。尽管人们普遍认为AI是DT的种子，但我们预计DT和AI将以克服其局限性并相互补充的方式相互支持。在本文中，我们深入研究了DT的基础知识，在该文章中，我们揭示了DT在模型驱动和数据驱动的方法中的作用，并探讨了DT提供的机会以实现6G网络的乐观愿景。我们进一步展现了理论基础在通过AI解锁进一步机会的基本作用，因此，我们揭示了它们对可靠，高效和低延迟DT的实现的关键影响。最后，我们确定了AI-DT和概述潜在的未来研究方向的局限性，以打开地板，以在AI中为AI进行进一步探索AI。
translated by 谷歌翻译
移动网络第五代（5G）的能源消耗是电信行业的主要关注点之一。但是，目前没有一种评估5G基站（BSS）功耗的准确且可进行的方法。在本文中，我们提出了一个新颖的模型，以实现5G多载波BSS功耗的现实表征，该模型以大型数据收集活动为基础。首先，我们定义了允许对多个5G BS产品进行建模的机器学习体系结构。然后，我们利用该框架收集的知识来得出一个现实且可分析的功耗模型，这可以帮助推动理论分析以及功能标准化，开发和优化框架。值得注意的是，我们证明了这种模型具有很高的精度，并且能够捕获节能机制的好处。我们认为，该分析模型是理解5G BSS功耗的基本工具，并准确地优化了网络能源效率。
translated by 谷歌翻译
在本文中，提出了一个绿色，量化的FL框架，该框架在本地培训和上行链路传输中代表具有有限精度水平的数据。在这里，有限的精度级别是通过使用量化的神经网络（QNN）来捕获的，该神经网络（QNN）以固定精确格式量化权重和激活。在考虑的FL模型中，每个设备训练其QNN并将量化的训练结果传输到基站。严格得出了局部训练和传输的能量模型。为了同时最大程度地减少能耗和交流的数量，相对于本地迭代的数量，选定设备的数量以及本地培训和传输的精确级别，在确保融合的同时，提出了多目标优化问题目标准确性约束。为了解决此问题，相对于系统控制变量，分析得出所提出的FL系统的收敛速率。然后，该问题的帕累托边界被表征为使用正常边界检查方法提供有效的解决方案。通过使用NASH讨价还价解决方案并分析派生的收敛速率，从两个目标之间平衡了两种目标之间的权衡的洞察力。仿真结果表明，与代表完全精确的数据相比，提出的FL框架可以减少能源消耗，直到收敛高达52％。
translated by 谷歌翻译
语义通信将在实现下一代无线系统中实现目标面向服务的关键作用。然而，该域中的大多数现有技术仅限于特定应用程序（例如，文本或图像），并且它不能够实现所定向的通信，其中必须与语义一起考虑发送信息的有效性，以便执行a某些任务。在本文中，提出了一种综合语义通信框架，以实现面向目标的任务执行。为了捕获扬声器和侦听器之间的语义，使用信仰的概念来定义一个通用语言，以使扬声器向听众描述环境观察。然后，提出了优化问题以选择完美描述了观察的最小信念集，同时最小化任务执行时间和传输成本。建议将课程学习（CL）和强化学习（RL）结合的新型自上而下框架来解决这个问题。仿真结果表明，在训练期间，所提出的CL方法在收敛时间，任务执行时间和传输成本方面优于传统的RL。
translated by 谷歌翻译
通过具有资源约束设备的无线网络部署联合学习（FL）需要平衡精度，能量效率和精度之间。现有技术在FL上经常需要设备使用32位精度级别来培训深神经网络（DNN）以进行数据表示以提高精度。然而，由于DNN可能需要执行数百万运算，因此这些算法对于资源受限设备来说是不切实际的。因此，培训具有高精度水平的DNN，对FL的高能量成本引起。在本文中，提出了一种量化的FL框架，其表示在本地训练和上行链路传输中具有有限精度的有限精度的数据。这里，通过使用量化的神经网络（QNN）以固定精度格式量化的量化神经网络（QNN）来捕获有限的精度。在所考虑的流域中，每个设备列举其QNN并将量化的训练结果传输到基站。用于本地训练的能源模型和具有量化的传输经过严格导出。在确保收敛的同时，相对于精度的水平配制了能量最小化问题。为了解决问题，我们首先分析了流量收敛速度并使用了线路搜索方法。仿真结果表明，与标准FL模型相比，我们的FL框架可以将能耗降低至53％。结果在无线网络上的精度，能量和准确性之间的权衡之间还阐明了借调。
translated by 谷歌翻译
Terahertz频段（0.1---10 THZ）中的无线通信被视为未来第六代（6G）无线通信系统的关键促进技术之一，超出了大量多重输入多重输出（大量MIMO）技术。但是，THZ频率的非常高的传播衰减和分子吸收通常限制了信号传输距离和覆盖范围。从最近在可重构智能表面（RIS）上实现智能无线电传播环境的突破，我们为多跳RIS RIS辅助通信网络提供了一种新型的混合波束形成方案，以改善THZ波段频率的覆盖范围。特别是，部署了多个被动和可控的RIS，以协助基站（BS）和多个单人体用户之间的传输。我们通过利用最新的深钢筋学习（DRL）来应对传播损失的最新进展，研究了BS在BS和RISS上的模拟光束矩阵的联合设计。为了改善拟议的基于DRL的算法的收敛性，然后设计了两种算法，以初始化数字波束形成和使用交替优化技术的模拟波束形成矩阵。仿真结果表明，与基准相比，我们提出的方案能够改善50 \％的THZ通信范围。此外，还表明，我们提出的基于DRL的方法是解决NP-固定光束形成问题的最先进方法，尤其是当RIS辅助THZ通信网络的信号经历多个啤酒花时。
translated by 谷歌翻译