Artificial Intelligence for Robust and Scalable Wireless Communication
Notice bibliographique
Résumé
Artificial Intelligence (AI) has emerged as a key enabler of next-generation wireless communication, particularly in optimizing resource allocation, user localization, and beamforming in millimeter-wave (mmWave) and multiple-input multiple-output (MIMO) systems. These high-frequency networks face inherent challenges such as severe path loss, sensitivity to user mobility, and the need for precise beam alignment. Traditional signal processing techniques often struggle to maintain performance under such dynamic and uncertain conditions, motivating the integration of machine learning to achieve more adaptive and intelligent wireless systems.In this work, we investigated multiple AI-driven approaches for enhancing wireless communication. First, we studied user localization in mmWave systems equipped with MIMO antennas and reflective intelligent surfaces. Using MATLAB-based equation modeling, we validated localization strategies and subsequently developed a Python interface to visualize real-time beam directions and user positions. Building on this, we explored computer vision techniques to further improve user localization and dynamically adjust beam steering in response to user mobility.Beyond system-level implementations, we also explored the role of foundation models in wireless applications, focusing on their ability to generalize from limited data and remain robust to imperfect or noisy inputs. To achieve this, we optimized a transformer-based architecture through masking-based self-supervision and evaluated its performance across downstream communication tasks. Our results suggest that integrating foundation models with traditional wireless architectures can significantly enhance both adaptability and reliability, paving the way for AI-augmented communication systems that are scalable and resilient to real-world challenges.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».