JSAIT — Vol 3 Issue 3 · 2026-07-19¶
- 共 1 篇 · IEEE Journal on Selected Areas in Information Theory
- 目录核对 ⚠️ 疑似漏 12 篇（对照 OpenAlex 14 篇）：10.1109/jsait.2022.3223901、10.1109/jsait.2023.3241123、10.1109/jsait.2022.3216515、10.1109/jsait.2022.3229670、10.1109/jsait.2022.3221864 等
本期导览¶
自动生成：归纳本期主要主题与脉络，不打分、不排名。
这一期仅收录一篇论文，主题聚焦于无线通信中的信道估计问题，采用生成对抗网络（GAN）与空中（OTA）训练相结合的方法。整体来看，该期内容属于机器学习在信号处理领域的应用，不涉及传统统计或因果推断方向，但其中关于逆问题求解、无监督训练和联邦学习的思路，对统计建模中的高维参数估计或分布式计算场景有一定参考价值。
该文的核心贡献在于提出一种无监督的OTA训练框架，用于毫米波MIMO信道估计。传统方法依赖离线模拟数据集，而该算法直接利用带噪接收导频测量值训练GAN，将信道估计转化为逆问题，通过优化生成模型输入向量实现重构。方法上，通过条件输入区分视距与非视距信道，并引入联邦学习版本以降低用户端计算负担。实验表明，该方法在LOS和NLOS信道模型上均优于正交匹配追踪，在LOS模型上优于EM-GM-AMP算法，在NLOS模型上性能相当。其优势在于可在线训练、不依赖特定信道模型，且通过联邦OTA设计实现分布式协作。
对于因果推断或半参数效率方向的研究者，本文无直接关联。若关注高维逆问题求解或分布式无监督学习，可优先阅读该文，尤其是其将GAN与OTA训练结合的设计思路，以及联邦学习在降低计算负担方面的实现细节。
其他 (other, 1 篇)¶
1. 10.1109/jsait.2022.3222479 · arXiv — Over-the-Air Design of GAN Training for mmWave MIMO Channel Estimation¶
- 作者: Akash S. Doshi, Manan Gupta, Jeffrey G. Andrews
- 期刊/来源: IEEE Journal on Selected Areas in Information Theory
- 分类: vol 3 · issue 3 · pp 557-573
- 相关性 2/10 · novelty:
application - 摘要: 本文针对毫米波MIMO信道估计问题，提出了一种基于生成对抗网络（GAN）的无监督空中（OTA）训练算法。传统方法依赖离线生成的模拟信道数据集，而该算法直接利用带噪的接收导频测量值训练深度生成模型，输出波束空间MIMO信道实现。方法通过条件输入区分视距（LOS）与非视距（NLOS）信道，并设计了联邦学习版本以降低用户端计算负担。信道估计被建模为逆问题，通过优化生成模型输入向量实现重构。实验表明，该方法在LOS和NLOS信道模型上均显著优于正交匹配追踪（OMP），在LOS模型上优于EM-GM-AMP算法，在NLOS模型上性能相当。核心优势在于可在线训练、不依赖特定信道模型，且能通过联邦OTA设计从噪声数据中生成数据集。对您而言，本文属于通信工程应用，与您的主要兴趣（因果推断、高维统计等）无直接技术重叠，但逆问题与生成模型的结合思路可作为跨领域参考。
- 关键技术:
Generative Adversarial Networks,over-the-air training,inverse problem optimization,federated learning,mmWave MIMO channel estimation - 为什么对您有用: 本文属于通信工程应用，与您的主要兴趣方向（因果推断、高维统计、半参理论等）无直接技术连接。武器库中的非参数统计或高维渐近工具难以直接迁移至该问题的具体设定（如导频设计、信道模型）。暂不可做——核心机器（无线通信信道模型、GAN训练稳定性分析）不在武器库中。
Maintained by 陈星宇 · Homepage · Source on GitHub