Joint Design for RIS-Aided ISAC via Deep Unfolding Learning
Notice bibliographique
Résumé
Integrated sensing and communication (ISAC) has become a promising technique to alleviate the spectrum congestion via sharing the same spectrum for communication and sensing. Nevertheless, many ISAC schemes encounter the challenges of high computational complexity. Thanks to the powerful non-linear fitting capabilities and fast inference speed, deep learning is expected to facilitate the online deployment of ISAC. In this paper, we propose a dual-functional waveform design scheme for reconfigurable intelligent surface (RIS) aided ISAC based on deep unfolding learning. Specifically, the weighted sum of multi-user interference energy and waveform discrepancy is minimized via the joint waveform and phase-shift design. We first develop an alternating direction method of multipliers (ADMM) based iterative algorithm to handle the non-convex optimization problem. Then, we develop a deep unfolding neural network (NN), named ADMM-NET, which unfolds the proposed ADMM-based iterative algorithm to a layer-wise architecture and replaces the matrix inversions with low-complexity approximations. In addition, we present a black-box NN for performance comparison. Simulation results verify that the ADMM-NET outperforms the black-box NN in performance, interpretability and training samples. Moreover, the ADMM-NET is superior to the ADMM-based iterative algorithm in both computational complexity and performance, facilitating the online deployment.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».