西电焦李成团队最新综述：6G 前沿深度学习模型的综述、机遇与挑战，600+篇参考文献，68页pdf

深度学习在预测、决策和回归分析方面展现出的卓越能力，不仅在自然语言处理和计算机视觉领域证明了其有效性，而且还越来越多地影响着未来通信的智能化（Jiao et al., 2006; Letaief et al., 2019）。在6G技术的发展中，深度学习将关键地解决多个挑战。为了满足6G愿景（Wang et al. 2023），**图神经网络（GNNs）**能够迅速建模网络，有助于在6G网络中实现全球覆盖和数字集成（Suarez et al., 2019; Shen et al., 2023）。**元学习（Meta Learning）**使深度学习模型适应新任务，从而支持实现全感知和全频谱（Jung et a l., 2021）。**深度强化学习（DRL）**在高效管理网络资源和数据方面发挥着关键作用，为全面应用的时代铺平了道路（Luong et al., 2019; Hortelano et al., 2023; Chen et al., 2021）。**联邦学习（FL）**通过其分布式学习过程，确保在保持全球覆盖的同时强化安全性（Nguyen et al., 2022）。生成对抗网络（GANs）的数据分布学习能力，对于增强强安全性具有巨大潜力（Dunmore et al., 2023）。此外，卷积神经网络（CNNs）的模式识别能力和Transformer的序列特征提取能力为6G网络中推进全面应用和加强安全性奠定了基础（Wang et al., 2023; Mohammadpour et al., 2022）。以及Transformer作为新的基础模型在编解码过程中和生成式AI中担任着重要作用。这些深度学习方法不仅在迅速过渡到6G时代的无线通信中起到了重要作用，而且它们相互补充和支持，为构建更智能、更紧密的6G网络做出了贡献（Shen et al., 2022）。

本文提供了一个全面的概述，关于6G无线通信背景下深度学习的当前发展、机遇和挑战。我们首先阐述了6G中深度学习应实现的五个关键方面：**自适应资源分配、智能网络管理、鲁棒信号处理、无处不在的边缘智能以及内生安全，**如图2所示。接下来，我们详细回顾了深度学习方法如何协助6G网络实现这些目标。这包括对这些方法在实现上述方面所提供的服务进行分类讨论，以及探索它们面临的潜在挑战，图1展示了本文的分类方法。接下来，随着生成式人工智能（AIGC）的持续发展，我们深入探讨了它为6G带来的具体挑战和机遇。最后，我们讨论了6G深度学习领域的普遍性开放问题，提供了对未解决问题和未来研究领域的见解，为将人工智能更深入地融入6G基础设施的道路提供了启示。

本文突出深度学习在融入6G时的机遇与挑战，虽然存在许多关于DL和6G的相关综述，如表2所示，本文通过全面整合各种DL技术到6G，并提供深入见解，从而使其区别于其他文献。并且不同于其他专注于特定6G情景或技术的工作，我们优先考虑这些模型如何优化和增强6G技术。

本文基于666篇参考文献，对前沿深度学习模型在6G中提供的服务进行综述，并对每个模型所面临的内在挑战进行讨论；随后，本文讨论了6G对AIGC的作用以及AIGC对6G的影响，促进了先进无线技术与可持续智能计算之间的协同关系；最后我们推理出了十个公开问题，为未来的进展提供了关键见解，并为将AI无缝集成到6G中奠定了基础。

成为VIP会员查看完整内容