104 Arbeiten
Diese Arbeit bietet eine systematische Analyse und ein konzeptionelles Rahmenwerk für dynamische Routing- und Kaskadierungssysteme, die durch die adaptive Auswahl verschiedener unabhängiger Large Language Models je nach Anfragekomplexität die Inferenzeffizienz optimieren und dabei die Leistungsfähigkeit einzelner Modelle übertreffen können.
Threadle ist eine speicher-effiziente, in C# entwickelte Open-Source-Engine, die es ermöglicht, extrem große, mehrschichtige und gemischte Netzwerke mit Millionen von Knoten und Milliarden von Kanten durch eine innovative Pseudo-Projektions-Methode zu speichern und abzufragen, ohne die speicherintensive explizite Projektion zu materialisieren.
Diese Arbeit untersucht die Integration von Large Language Models als intelligente Bieter in wiederholten Auktionen für heterogene Netzwerke, wobei eine verteilte Rahmenarchitektur zeigt, dass LLM-gestützte Endgeräte durch strategische Anpassung und historische Analyse eine höhere Kanalauslastung und Budgeteffizienz erreichen als herkömmliche Methoden.
Die vorgestellte Arbeit stellt TCCO vor, ein Transformer-basiertes Framework mit entkoppelter Architektur, das durch den Einsatz von Self-Attention und externer Entscheidungsfindung die Effizienz und Anpassungsfähigkeit von Multipath-Verbindungen in drahtlosen Uplinks trotz Messrauschen und heterogener Netzwerke signifikant verbessert.
Diese Arbeit stellt ein gemeinsames Architekturkonzept für sichtbare Licht- und RF-Rückstreukommunikation in ambienten IoT-Netzen vor, das fundamentale Prinzipien, praktische Anwendungen und experimentelle Nachweise für batteriebetriebene Geräte zusammenfasst und einen Fahrplan für zukünftige Forschungsrichtungen aufzeigt.
Diese Arbeit stellt Quantenalgorithmen vor, die das NP-vollständige Problem der Netzwerksignal-Koordination sowie dessen robuste Variante mittels Grovers Suchalgorithmus lösen und dabei eine quadratische Beschleunigung gegenüber klassischen Ansätzen erreichen, was durch Simulationen und Tests auf einem echten Quantencomputer verifiziert wurde.
Diese Arbeit stellt ein menschenzentriertes, körperskaliges NFC-Netzwerk für ultraleistungseffiziente Wearables vor, das durch die Technologien Meander NFC und picoRing NFC eine stabile Kommunikation über textile Oberflächen und zwischen verschiedenen Körperteilen ermöglicht.
Dieser Beitrag stellt einen resilienten Ansatz auf Basis von Federated Reinforcement Learning und einem Auktionsmechanismus vor, der wettbewerbsfähige Diensteanbieter in der Low-Altitude Economy dazu befähigt, trotz Eigennutz und Störungen kooperativ UAV-Ressourcen für Multi-Service-Deployments effizient zu optimieren.
Diese Arbeit schlägt einen adaptiven personalisierten federierten Reinforcement-Learning-Algorithmus vor, um die Flugbahnen von UAVs und die Phasensteuerung von RIS in dynamischen, heterogenen SAGIN-Umgebungen mit fluiden Antennen und LEO-Satelliten zu optimieren und so die Downlink-Raten zu maximieren.
Diese Arbeit stellt U-Parking vor, ein verteiltes autonomes Parksystem, das durch die Integration von UWB-basierter Lokalisierung, Trajektorienverfolgung und einer KI-gestützten Planung zuverlässiges Parken in komplexen Innenräumen ermöglicht.
Diese Studie analysiert proaktive, unkoordinierte Methoden zur Störungsunterdrückung bei FMCW-Automobilradaren und stellt fest, dass eine zufällige Frequenzsprungmodulation auf Chirp-Basis in Kombination mit einer ausreichend großen Bandbreite die wirksamste Lösung für zuverlässige Systeme in dichten Verkehrsszenarien darstellt, während eine kompassbasierte Richtungsstrategie aufgrund begrenzter Wirksamkeit nicht gerechtfertigt ist.
Die Studie stellt „Moveover" vor, einen dezentralen V2N-basierten Algorithmus und Kommunikationsprotokoll für autonome Fahrzeuge, der durch lokale Konfliktzonen-Reservierungen und individuelle Trajektorienoptimierung ein stopploses Durchfahren von Kreuzungen ermöglicht und dabei Reisezeiten sowie Emissionen auch unter realen Netzwerkbedingungen signifikant reduziert.
Die vorgestellte Arbeit entwickelt ein skalierbares Framework zum Lernen von Interferenzgraphen mittels evolutionärer Strategien und Deep Hashing, um die RTWT-Scheduling-Effizienz in dichten Wi-Fi 7-Netzen zu steigern und gleichzeitig Trainings- sowie Zuordnungszeiten drastisch zu reduzieren.
Die Arbeit stellt Space-O-RAN vor, eine verteilte Steuerungsarchitektur, die die Prinzipien von Open RAN auf Satellitennetzwerke überträgt, indem sie durch hierarchische Regelkreise, leichte Onboard-Anwendungen und eine dynamische Schnittstellenabbildung autonome, intelligente und interoperable nicht-terrestrische Netze für 6G ermöglicht.
Das Paper stellt PIRATE vor, einen passiven Ansatz zur Schätzung von Round-Trip-Latenzen unter asymmetrischem Routing allein durch die Analyse von Client-zu-Server-Datenverkehr, der es ermöglicht, Latenzen mit hoher Genauigkeit zu messen und durch Integration in einen Lastverteiler die Tail-Latenzen signifikant zu reduzieren.
Diese Arbeit stellt ein auf SeQUeNCe basierendes Simulationsframework vor, das heterogene Quantennetzwerke aus Ytterbium-Atomen und supraleitenden Qubits modelliert, um durch detaillierte Analyse von Raten-Fidelitäts-Kompromissen und systemimmanenten Engpässen fundierte Designentscheidungen zu ermöglichen.
Die Arbeit stellt Chimera vor, ein neuro-symbolisches Framework, das durch die Abbildung von Aufmerksamkeitsmechanismen und symbolischen Constraints auf programmierbare Dataplane-Primitive eine vertrauenswürdige und vorhersagbare Traffic-Analyse mit Linienrate auf handelsüblichen Switches ermöglicht.
Diese Studie analysiert die Resilienz der Bitcoin-Infrastruktur gegenüber Unterseekabelausfällen von 2014 bis 2025 und zeigt durch ein neu entwickeltes Multiplex-Modell, dass das Netzwerk trotz versteckter Abhängigkeiten robust bleibt und die TOR-Nutzung die Widerstandsfähigkeit gegen gezielte Angriffe sogar leicht erhöht.
Dieser Artikel stellt eine Architektur für dezentrale, peer-to-peer-Netzwerke autonomer KI-Agenten vor, die durch eine mehrstufige Verifizierungsstrategie und signierte Fähigkeitsdeskriptoren eine sichere und effiziente Zusammenarbeit zur Aufgabenteilung zwischen Endgeräten ermöglicht.
Die Studie zeigt, dass Conservative Q-Learning aufgrund seiner Robustheit gegenüber stochastischen Netzwerkdynamiken die bevorzugte Offline-Reinforcement-Learning-Methode für die KI-gesteuerte Steuerung zukünftiger drahtloser Netzwerke wie O-RAN und 6G ist, während sequenzbasierte Methoden bei ausreichenden hochwertigen Daten konkurrenzfähig bleiben.