RIS
PulseAugur coverage of RIS — every cluster mentioning RIS across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
Decision Transformer优化无人机-RIS辅助D2D通信
研究人员开发了一种Decision Transformer模型，用于优化由无人机（UAV）挂载的智能反射面（RIS）辅助的动态设备到设备（D2D）通信。该方法解决了涉及无人机轨迹、姿态和RIS相位调整的复杂优化问题，以在各种约束条件下最大化平均总速率。该模型在不同场景下表现出强大的泛化能力，在零样本迁移方面优于传统的深度强化学习方法，并以更少的交互实现了有竞争力的结果。
-
牛津大学、Springer Nature 更新学术出版AI指南
牛津大学更新了其关于作者在研究中使用人工智能披露的指南。同时，Springer Nature 引入了新的框架来管理人工智能在科学出版中的应用。这些举措旨在为人工智能在学术交流中的作用提供清晰度和标准。
-
新的主动学习方法加速AI图像标注
研究人员开发了一个新颖的主动学习框架，以提高Referring Image Segmentation and Grounding任务标注数据的收集效率。该方法通过关注具有模糊区域的图像，解决了标注者需要编写描述性文本的瓶颈。该框架利用基础模型生成辅助文本，并引入了一个新的采集函数——Referred Region Ambiguity（指代区域模糊性），以识别信息量大的样本。在RIS和REC基准上的实验表明，该方法优于现有的主动学习基线…
-
轻量级深度学习框架助力6G无线系统信道估计
研究人员开发了一种新颖的轻量级深度学习框架，以应对下一代无线系统（如6G）中的信道估计挑战。该框架专为超大规模MIMO（XL-MIMO）和可重构智能表面（RIS）辅助系统设计，这些系统需要准确的信道状态信息，但在资源受限的边缘设备上面临巨大的计算复杂性和数据量问题。通过利用空间相关性和基于块的训练机制，所提出的方法降低了输入维度和计算负载，并在仿真中展示了更高的估计精度和效率。
-
新的机器学习框架利用RIS和毫米波感知增强6G定位
研究人员开发了一个新的机器学习框架，用于在利用可重构智能表面（RIS）和毫米波（mmWave）感知的6G网络中进行精确本地化。该方法将接收到的信噪比（SNR）映射到用户设备（UE）的方位角和距离，即使在直接链路不可用时也是如此。该框架已扩展到处理跨链路干扰，这种干扰比距离估计更严重地降低了角度估计。
-
新框架解决6G超大规模可重构智能表面系统的混合场信道估计问题
本文提出了一种新颖的混合场信道估计框架，用于超大规模可重构智能表面（XL-RIS）辅助通信系统，这对未来的6G网络至关重要。所提出的方法通过解耦稀疏字典表示和恢复来解决高维级联信道和远场与近场传播共存带来的挑战。它引入了一种基于Dirichlet核的离网字典压缩（DK-ODC）方案用于稀疏表示，以及一种子空间感知增量变分贝叶斯学习（SI-VBL）算法用于动态信道估计，旨在实现精度、复杂度和存储之间的有利权衡。
-
新框架优化非理想BD-RIS架构发现
研究人员开发了一个新颖的基于学习的框架，以解决非理想条件下超对角可重构智能表面（BD-RIS）设计的挑战。该框架称为LTTADF，采用架构生成器和性能优化器，共同发现平衡性能与电路复杂性的最优BD-RIS架构。所提出的方法有效地导航了庞大的架构空间，避免了局部最优，从而实现了近乎最优的解决方案。数值结果为部署非理想BD-RIS提供了见解，并考虑了关键的性能-电路复杂性权衡。
-
新研究应对无线联邦学习挑战
两篇新研究论文探讨了无线环境下的联邦学习进展。第一篇论文提出了一种面向RIS辅助无线联邦学习的收敛-延迟感知自适应调制与资源分配方案，旨在提高在挑战性场景下的训练速度和准确性。第二篇论文提出了一种在线分数辅助联邦学习算法，专为具有持续到达数据的资源受限无线客户端设计，解决了数据分布变化和存储有限等问题。
-
研究发现人工智能介入三分之一的学术信息发现
最近的一项研究表明，人工智能目前在所有学术信息发现过程中扮演着三分之一的角色。这凸显了人工智能工具在学术研究和信息检索中的日益整合。
-
图神经网络优化RIS辅助天线系统
本文介绍了一种新颖的三阶段图神经网络（GNN），旨在优化用于下行信息传输的可重构智能表面（RIS）辅助多波导捏合天线（PA）系统。GNN根据用户位置和信道条件分别学习最优的PA位置和RIS相位偏移，并随后确定波束形成向量。所提出的GNN采用无监督学习方式，并提供了与凸优化相结合的实现策略，以平衡推理时间和解的最优性。数值结果证明了GNN的有效性、泛化能力、性能可靠性和实时适用性。
-
6G OFDM-RIS优化综述：基础模型和深度学习崭露头角
一篇新的综述论文探讨了6G网络中联合正交频分复用（OFDM）和可重构智能表面（RIS）配置的优化算法。它将现有研究分为四类：基于模型的凸松弛、启发式搜索、深度强化和无监督学习，以及基础模型和生成式AI等新兴方法。论文指出，与传统求解器相比，基于机器学习的方法在推理时间上提供了显著的加速，尽管由于缺乏标准化基准，直接比较存在困难。
-
新的双智能体深度学习框架优化RIS辅助下的移动用户跟踪
研究人员开发了一种新颖的双智能体（DA）深度学习框架，旨在借助可重构智能表面（RIS）优化跟踪功率受限移动用户的能效。该方法集成了神经进化和监督学习，可实时联合管理RIS相位配置文件和用户发射功率，克服了离散相位响应和单比特反馈的挑战。数值模拟表明，在跟踪和静态定位场景中，DA框架在跟踪和静态定位方面均显著优于卡尔曼滤波器、粒子滤波器和传统指纹识别方案等现有方法。
-
新框架采用多智能体深度强化学习优化工业6G网络
研究人员开发了一个面向工业6G网络的新型框架，该框架整合了地面和非地面组件，包括无人机挂载的可重构智能表面（RIS）、地面无线电单元和高空平台（HAP）。该系统旨在改善在复杂环境中密集工业物联网设备的连接性。为应对优化数据速率、延迟和能耗的复杂性，采用了多智能体深度强化学习方法，并展示了相较于现有方法的显著改进。
-
AI-UAVs 增强零能耗物联网定位和感知
本综述全面探讨了人工智能与无人机（UAV）的集成，以增强零能耗物联网设备的后向散射定位和集成感知与通信（ISAC）。论文概述了一种结构化方法，用于对这些系统所使用的网络架构、UAV角色、后向散射模式和AI技术进行分类。它还讨论了挑战和未来的研究方向，包括现实信道建模、能量中性运行以及RIS、MEC和6G等技术的集成。