:: Library Catalog

Buchumschlag

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Dongare, Sumedh J., Weber, Patrick, Ortiz, Andrea, Saad, Walid, Hinz, Oliver, Klein, Anja
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Machine Learning Networking and Internet Architecture
Online-Zugang:	https://arxiv.org/abs/2605.02705
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Dynamic Hypergame for Task Assignment in Multi-platform Mobile Crowdsensing Under Incomplete Information
von: Dongare, Sumedh J., et al.
Veröffentlicht: (2026)

Causal Model-Based Reinforcement Learning for Sample-Efficient IoT Channel Access
von: Arun, Aswin, et al.
Veröffentlicht: (2025)

Enhancing Spectrum Efficiency in 6G Satellite Networks: A GAIL-Powered Policy Learning via Asynchronous Federated Inverse Reinforcement Learning
von: Hassan, Sheikh Salman, et al.
Veröffentlicht: (2024)

A Multi-Stakeholder Perspective on Self-Managing Networks
von: Weber, Patrick, et al.
Veröffentlicht: (2025)

Enhancing Wireless Networks with Attention Mechanisms: Insights from Mobile Crowdsensing
von: Yang, Yaoqi, et al.
Veröffentlicht: (2024)

The Best Time for an Update: Risk-Sensitive Minimization of Age-Based Metrics
von: de Sombre, Wanja, et al.
Veröffentlicht: (2024)

Neurosymbolic Learning for Advanced Persistent Threat Detection under Extreme Class Imbalance
von: Fathima, Quhura, et al.
Veröffentlicht: (2026)

Masking Intent, Sustaining Equilibrium: Risk-Aware Potential Game-empowered Two-Stage Mobile Crowdsensing
von: Qi, Houyi, et al.
Veröffentlicht: (2026)

Federated Learning-Assisted Optimization of Mobile Transmission with Digital Twins
von: Heydari, Mohammad, et al.
Veröffentlicht: (2026)

Mobility-Aware Federated Self-supervised Learning in Vehicular Network
von: Gu, Xueying, et al.
Veröffentlicht: (2024)

Deep Sleep Scheduling for Satellite IoT via Simulation Based Optimization
von: de Sombre, Wanja, et al.
Veröffentlicht: (2026)

Enhancing Mobile Crowdsensing Efficiency: A Coverage-aware Resource Allocation Approach
von: Fu, Yaru, et al.
Veröffentlicht: (2025)

SPARQ: Efficient Entanglement Distribution and Routing in Space-Air-Ground Quantum Networks
von: Shaban, Mohamed, et al.
Veröffentlicht: (2024)

Fuzzy Q-Learning-Based Opportunistic Communication for MEC-Enhanced Vehicular Crowdsensing
von: Nguyen, Trung Thanh, et al.
Veröffentlicht: (2024)

Self-Explaining Reinforcement Learning for Mobile Network Resource Allocation
von: Nowosadko, Konrad, et al.
Veröffentlicht: (2025)

World Model-Based Learning for Long-Term Age of Information Minimization in Vehicular Networks
von: Wang, Lingyi, et al.
Veröffentlicht: (2025)

MILD: Multi-Intent Learning and Disambiguation for Proactive Failure Prediction in Intent-based Networking
von: Hossain, Md. Kamrul, et al.
Veröffentlicht: (2026)

LEAD-Drift: Real-time and Explainable Intent Drift Detection by Learning a Data-Driven Risk Score
von: Hossain, Md. Kamrul, et al.
Veröffentlicht: (2026)

Joint System Latency and Data Freshness Optimization for Cache-enabled Mobile Crowdsensing Networks
von: Shi, Kexin, et al.
Veröffentlicht: (2025)

Resource-Efficient Beam Prediction in mmWave Communications with Multimodal Realistic Simulation Framework
von: Park, Yu Min, et al.
Veröffentlicht: (2025)

Towards Efficient Federated Learning of Networked Mixture-of-Experts for Mobile Edge Computing
von: Gao, Song, et al.
Veröffentlicht: (2025)

FedPEAT: Convergence of Federated Learning, Parameter-Efficient Fine Tuning, and Emulator Assisted Tuning for Artificial Intelligence Foundation Models with Mobile Edge Computing
von: Chua, Terence Jie, et al.
Veröffentlicht: (2023)

Age-Based Scheduling for Mobile Edge Computing: A Deep Reinforcement Learning Approach
von: He, Xingqiu, et al.
Veröffentlicht: (2023)

A Unified Learning-based Optimization Framework for 0-1 Mixed Problems in Wireless Networks
von: Ma, Kairong, et al.
Veröffentlicht: (2025)

Asynchronous Fractional Multi-Agent Deep Reinforcement Learning for Age-Minimal Mobile Edge Computing
von: Jin, Lyudong, et al.
Veröffentlicht: (2024)

LLM-Driven Stationarity-Aware Expert Demonstrations for Multi-Agent Reinforcement Learning in Mobile Systems
von: Duan, Tianyang, et al.
Veröffentlicht: (2025)

Quantum Semantic Communications for Resource-Efficient Quantum Networking
von: Chehimi, Mahdi, et al.
Veröffentlicht: (2022)

Transformer based Collaborative Reinforcement Learning for Fluid Antenna System (FAS)-enabled 3D UAV Positioning
von: Xu, Xiaoren, et al.
Veröffentlicht: (2025)

Distributed Deep Reinforcement Learning Based Gradient Quantization for Federated Learning Enabled Vehicle Edge Computing
von: Zhang, Cui, et al.
Veröffentlicht: (2024)

Energy-Efficient Federated Learning and Migration in Digital Twin Edge Networks
von: Zhou, Yuzhi, et al.
Veröffentlicht: (2025)

Differentiated Federated Reinforcement Learning Based Traffic Offloading on Space-Air-Ground Integrated Networks
von: Qin, Yeguang, et al.
Veröffentlicht: (2022)

Efficient Split Federated Learning for Large Language Models over Communication Networks
von: Zhao, Kai, et al.
Veröffentlicht: (2025)

An Energy-Efficient Ensemble Approach for Mitigating Data Incompleteness in IoT Applications
von: AlShehri, Yousef, et al.
Veröffentlicht: (2024)

Intelligible Protocol Learning for Resource Allocation in 6G O-RAN Slicing
von: Rezazadeh, Farhad, et al.
Veröffentlicht: (2023)

Empowering HWNs with Efficient Data Labeling: A Clustered Federated Semi-Supervised Learning Approach
von: Hamood, Moqbel, et al.
Veröffentlicht: (2024)

Vision and Causal Learning Based Channel Estimation for THz Communications
von: Kim, Kitae, et al.
Veröffentlicht: (2025)

Artificial General Intelligence (AGI)-Native Wireless Systems: A Journey Beyond 6G
von: Saad, Walid, et al.
Veröffentlicht: (2024)

Digital Twins for Autonomous Driving: A Comprehensive Implementation and Demonstration
von: Wang, Kui, et al.
Veröffentlicht: (2023)

Digital-Twin-Enabled 6G: Vision, Architectural Trends, and Future Directions
von: Khan, Latif U., et al.
Veröffentlicht: (2021)

Heterogeneity-Oblivious Robust Federated Learning
von: Zhang, Weiyao, et al.
Veröffentlicht: (2025)