163 Arbeiten
Diese Arbeit stellt realistische Modelle und effiziente digitale Signalverarbeitungstechniken zur Kompensation von Nichtlinearitäten in kohärenten optischen Satelliten-Uplinks vor, die durch eine Lookup-Tabelle und eine nichtlineare Phasenrotation die maximale zulässige Linkdämpfung um bis zu 6 dB erhöhen und das Systemverhalten durch einen einzigen Parameter vollständig charakterisieren.
Diese Arbeit stellt einen Optimierungsansatz für OFDM-Wellenformen in bistatischen ISAC-Systemen vor, der durch eine gemeinsame Zuordnung von Subträgern und Leistungsverteilung die Kommunikationsdatenrate maximiert, während gleichzeitig die Genauigkeit der Verzögerungsschätzung durch ein neuartiges JPCDE-Schema gewährleistet wird.
Die Arbeit zeigt, dass ein bestimmtes polynomiell lösbares Entscheidungsproblem mit kausalen Ausfühungsbeschränkungen eine inhärente sequenzielle Struktur aufweist, die es unmöglich macht, eine asymptotische parallele Beschleunigung zu erreichen, da die Informationsausbreitung pro Zeiteinheit auf einen Schritt begrenzt ist und keine -Schaltkreise existieren, die das Problem in realer Parallelzeit lösen können.
Diese Arbeit stellt ein stochastisches geometrisches Framework vor, das unter Verwendung von Beta-Ginibre-Punktprozessen für realistischere Basisstationsverteilungen die EMF-Exposition und die Energieeffizienz (gemessen am REBT-DL) in nachhaltigen 5G-Netzen bewertet und dabei zeigt, dass Netzwerkkonfigurationen sowie die Wahl des räumlichen Modells die Ergebnisse maßgeblich beeinflussen.
Diese Arbeit stellt einen neuartigen bayesschen Rahmen vor, der monostatische und bistatische Messungen in ISAC-Systemen für die präzise Kartierung von Low-Altitude-Umgebungen unter Berücksichtigung von diffuser Streuung fusioniert, um Genauigkeit, Robustheit und Konvergenzgeschwindigkeit im Vergleich zu herkömmlichen Einzelansätzen signifikant zu verbessern.
Diese Arbeit erläutert den Space-Sharing-Beweis für die Tightness der entropischen Singleton-Schranke im Kontext des entanglement-assistierten klassischen Codierens und leitet eine neue, enge Singleton-Schranke für den Fall ab, in dem die Verschränkung nur auf eine Teilmenge der Encoder verteilt ist und lokale Quantenoperationen verwendet werden.
Die Arbeit stellt FedPASS vor, ein neuartiges Framework für drahtloses Federated Learning, das durch den Einsatz von Pinching-Antennen-Systemen (PASS) die Kanalkonditionen verbessert und durch eine gemeinsame Optimierung von Scheduling, Sendeleistung und Antennenplatzierung sowohl die End-zu-End-Latenz als auch die Optimallücke des Lernprozesses minimiert.
Die vorgestellte Arbeit entwickelt ein kohärenzbewusstes Framework für verteiltes maschinelles Lernen über Funknetze, das durch den Einsatz von Produktsuperposition im Downlink und einer partiellen Modellergänzung im Upink die Herausforderungen heterogener Kanalbedingungen und unvollkommener Kanalschätzung adressiert, um die Kommunikationseffizienz und Lerngenauigkeit zu steigern.
Diese Arbeit stellt den Algorithmus \texttt{SRTS} vor, der auf Thompson Sampling basiert und für die sequenzielle Maximierung der Sharpe-Ratio in stochastischen Bandit-Problemen mit gaußschen Belohnungen logarithmische, ordnungsoptimale Regret-Schranken nachweist.
Die Arbeit zeigt, dass Halluzinationen in großen Sprachmodellen eine unvermeidbare Konsequenz der informationstheoretisch optimalen Speichereffizienz bei begrenzter Kapazität sind, da der Zwang zur verlustbehafteten Kompression von Fakten dazu führt, dass auch nicht-zutreffende Aussagen mit hoher Wahrscheinlichkeit bewertet werden.
LWM-Temporal ist ein neuer, aufgabenunabhängiger Basis-Modell-Ansatz für drahtlose Kanäle, der durch eine physikalisch ausgerichtete, sparse spatio-temporale Aufmerksamkeit und ein selbstüberwachtes Vortraining mit physikbasiertem Maskierungscurriculum universelle, geometrie-konsistente Kanal-Embeddings lernt, die insbesondere bei langen Vorhersagehorizonten und begrenzten Fine-Tuning-Daten signifikante Verbesserungen gegenüber bestehenden Methoden erzielen.
Diese Arbeit bestätigt nach zwanzig Jahren die Vermutung einer universellen Quantisierung des krümmungsgewichteten Ricci-Skalars auf positive Halbzahlen für baum- und vollständig-graph-strukturierte binäre Bayes-Netze, widerlegt sie jedoch für allgemeine Graphen durch explizite Schleifen-Gegenbeispiele und erweitert die Analyse auf Gaußsche DAG-Netze, bei denen eine Vorzeichen-Dichotomie zwischen positiver diskreter und negativer kontinuierlicher Krümmung besteht.
Diese Arbeit stellt den Epistemischen Unterstützungs-Punkt-Filter (ESPF) als den optimalen, evidenzbasierten Filter vor, der Jaynes' Maximum-Entropie-Prinzip mit Popper's Falsifikation verbindet, um die worst-case epistemische Unwissenheit zu minimieren und dabei Bayessche Ansätze durch eine possibilistische Minimax-Optimierung zu übertreffen.
Dieser zweite Teil der Serie charakterisiert die kritischen Regime des Shuffle-Modells, in denen lokale Randomizer stark konzentriert sind und die klassischen Gaußschen Grenzwertsätze durch nicht-gaußsche Verteilungen wie Poisson-, Skellam- und zusammengesetzte Poisson-Prozesse ersetzt werden.
Diese Arbeit stellt einen auf Bestärkendem Lernen basierenden Ansatz vor, der durch die Formulierung des Decodierungsprozesses als Markov-Entscheidungsprozess und die Nutzung lokaler, syndromgesteuerter Zustände sowie zweiter Nachbarschaften die Konvergenzprobleme und die Komplexität herkömmlicher Belief-Propagation-Decodierer für Quanten-LDPC-Codes überwindet.
Diese Arbeit demonstriert, dass ein mit einem Quantenschaltkreis optimierter Quantensensor Umgebungen mittels Radiowellen effizient lokalisieren kann, indem er selbst bei starkem Informationsmangel und ohne Kanalmessungen während des Betriebs empfindlich auf schwache oder verdeckte Signale reagiert.
Der Artikel stellt Fly-PRAC vor, ein neues Paket-Wiederherstellungsschema für Random Linear Network Coding, das durch die Ausnutzung algebraischer Beziehungen zwischen codierten Paketen die Fehlerkorrektur an Zwischenknoten ermöglicht und damit im Vergleich zu bestehenden Methoden wie S-PRAC die Übertragungseffizienz in verrauschten Kanälen signifikant verbessert.
Diese Arbeit untersucht die Optimierung von Zwei-Block-Partitionen zur Beschleunigung der Mischung endlicher Markov-Ketten unter Gruppenmittelung, indem sie Verbindungen zwischen KL-Divergenz und Frobenius-Distanz zu stationären Zuständen herstellt, das Problem als kombinatorische Optimierung mit Differenz-submodularer Zerlegung neu formuliert und effiziente algorithmische Approximationen vorschlägt, die in numerischen Experimenten ihre Wirksamkeit unter Beweis stellen.
Diese Arbeit entwickelt eine effiziente Strategie für die Platzierung von beweglichen Antennen in der Nahfeld-Wireless-Sensing, die durch eine zentrosymmetrische, dreipunktige Anordnung den worst-case Positionsfehler minimiert und dabei konventionellen Festantennen-Arrays überlegen ist.
Diese Arbeit stellt ein neuartiges drahtloses Sensorsystem mit beweglichen Antennen vor, das durch die Optimierung einer dreidimensionalen Flugbahn mittels eines effizienten SCA-Algorithmus eine robuste und isotrope Richtungsbestimmung über den gesamten Winkelbereich ermöglicht und dabei die Leistungsgrenzen herkömmlicher feststehender oder nur zweidimensional beweglicher Antennen überwindet.