近日，ESI发布最新数据，未来智联网络研究院/理工学院崔曙光教授团队11篇研究论文入选ESI高被引论文榜单。ESI（Essential Science Indicators, 基本科学指标）是科睿唯安公司基于全球权威引文数据库Web of Science核心合集（SCIE/SSCI）建立的计量分析工具。ESI将论文划分为22个学科领域，主要通过分析论文的被引频次，对全球高校、学术研究机构及国家/地区的学术水平和影响力进行评估，是目前国际公认的重要评价指标工具之一。

ESI高被引论文（Highly Cited Paper）：指近10年内发表、且被引频次排名位于同年度同学科领域全球前1%的论文。

入选论文简介1:

论文标题：Task-Oriented Sensing, Computation, and Communication Integration for Multi-Device Edge AI

本文研究了一种新型多设备边缘智能（AI）系统，该系统通过协同利用AI模型分割推理与通信感知一体化（ISAC）技术，为网络边缘提供低延迟智能服务。在该系统中，多个ISAC设备通过雷达感知获取多视角数据，并将提取特征的量化版本卸载至集中式边缘服务器，后者基于级联特征向量执行模型推理。针对分类任务场景，我们采用一种近似但易处理的度量指标——判别增益（定义为归一化协方差下欧几里得特征空间中两类样本的距离）来评估推理精度。为最大化判别增益，我们首先通过推导闭式表达式量化了感知、计算和通信过程对其的影响机制。随后提出了一种端到端的任务导向资源管理方法，将三个过程纳入统一框架进行联合设计。然而，这种通信感知计算一体化（ISCC）设计方法由于判别增益的复杂表达式，以及设备在信道增益、量化层级和生成特征子集等方面的异构性，导致了一个具有挑战性的非凸优化问题。值得关注的是，基于“分式和”优化方法，该非凸问题可获得最优解，从而得到最优ISCC方案——其联合优化了多设备的传感与通信功率及时隙分配，以及用于计算失真控制的量化比特分配。以人体动作识别这一典型AI推理任务为案例，我们通过大量实验验证了所提最优ISCC方案的性能优势。实验结果表明，该方案在保持低延迟特性的同时，显著提升了边缘智能服务的推理准确性。

Published in：IEEE TRANSACTIONS ON WIRELESS COMMUNICATIONS

DOI Link：http://dx.doi.org/10.1109/TWC.2023.3303232

入选论文简介2:

论文标题：Federated Learning for 6G: Applications, Challenges, and Opportunities

标准的机器学习方法需要将训练数据集中在数据中心，从而利用集中式机器学习算法对数据进行分析和推理。然而，由于无线网络中的隐私限制和有限的通信资源，大量设备将它们的数据传输到集中式服务器通常是不可行的。联邦学习 (FL)的提出能很好地解决设备传输大量数据的问题。它使设备能够在没有数据共享和传输的情况下训练通用的机器学习模型。本文全面概述了FL在第六代 (6G) 无线网络中的应用。具体而言，本文首先描述了将 FL 应用于无线通信的基本要求，然后详细介绍了无线通信中的潜在 FL 应用，讨论了与此类应用相关的主要问题和挑战，最后详细描述了将FL运用于无线通信网络的实现。

Published in：ENGINEERING

DOI Link：http://dx.doi.org/10.1016/j.eng.2021.12.002

入选论文简介3:

论文标题：Energy-Efficient Wireless Communications With Distributed Reconfigurable Intelligent Surfaces

本文研究了如何在具有分布式可重构智能表面（RIS）的无线通信网络有效分配无线资源。在考虑的网络中，有多个在空间上均匀分布的RIS在服务无线用户。我们通过动态控制每个RIS的开关状态以及优化RIS的反射系数矩阵来最大化网络的能量效率。该问题被表述为发射波束成形和RIS控制的联合优化问题，其目标是在最小用户速率约束下最大化能量效率。针对该问题，提出了针对单用户和多用户情况的两种迭代算法。对于单用户情况，采用逐次凸近似法求解相位优化问题，该方法在每一步都得到闭式解。此外，采用对偶方法获得最优RIS开关状态。对于多用户情况，提出了一种低复杂度的贪婪搜索方法来解决RIS开关优化问题。仿真结果表明，与传统的RIS方案和放大转发中继方案相比，所提出的方案在单用户和多用户情况下的能量效率分别提高了33％和68％。

Published in：IEEE TRANSACTIONS ON WIRELESS COMMUNICATIONS

DOI Link：http://dx.doi.org/10.1109/TWC.2021.3098632

入选论文简介4:

论文标题：Convergence Time Optimization for Federated Learning Over Wireless Networks

本文研究了如何减少在实际无线网络中部署的联邦学习 (FL)算法的训练收敛时间最小化问题。具体而言，本文考虑了一种无线网络，其中无线用户将其本地 FL 模型（使用本地收集的数据进行训练）传输到基站 (BS)。基站作为中央控制器，使用接收到的本地 FL 模型生成全局 FL 模型并将其广播回所有用户。由于无线网络中的资源块 (RB) 数量有限，因此在每个学习步骤中，只能选择一部分用户将其本地 FL 模型参数传输到基站。此外，由于每个用户都有独特的训练数据样本，基站倾向于包含所有本地用户 FL 模型以生成收敛的全局 FL 模型，用户选择方案将显著影响 FL 训练损失和收敛时间。因此，有必要设计一种合适的用户选择方案，以便能够更频繁地选择那些能够对提高 FL 收敛速度做出贡献的用户。这种联合学习、无线资源分配和用户选择问题被表述为一个优化问题，其目标是最小化 FL 收敛时间和 FL 训练损失。为了解决这个问题，本文提出了一种概率用户选择方案，使得基站以高概率连接到其局部 FL 模型对全局 FL 模型有显著影响的用户。给定用户选择策略，可以确定上行链路 RB 分配。为了进一步减少 FL 收敛时间，在每个训练迭代中，使用人工神经网络 (ANN) 来估计未分配任何 RB的用户的局部 FL 模型，从而改进全局模型、FL 收敛速度和训练损失。仿真结果表明，与标准 FL 算法相比，所提出的方法可以将 FL 收敛时间缩短高达 56%，并将手写数字识别准确率提高高达 3%。

Published in：IEEE TRANSACTIONS ON WIRELESS COMMUNICATIONS

DOI Link：http://dx.doi.org/10.1109/TWC.2020.3042530

入选论文简介5:

论文标题：A Joint Learning and Communications Framework for Federated Learning Over Wireless Networks

本文研究了在现实无线网络中训练联邦学习 (FL) 算法的问题。在所考虑的模型中，无线用户执行 FL 算法，同时使用自身数据训练本地 FL 模型，并将训练好的本地 FL 模型传输到基站 (BS)，基站生成全局 FL 模型并将模型返回给用户。由于所有训练参数均通过无线链路传输，因此训练质量会受到数据包错误和无线资源可用性等无线因素的影响。同时，由于无线带宽有限，基站需要选择合适的用户子集来执行 FL 算法，以便准确地构建全局 FL 模型。该联合学习、无线资源分配和用户选择问题被表述为一个优化问题，其目标是最小化能够反映 FL 算法性能的 FL 损失函数。为了求解该问题，首先推导出 FL 算法预期收敛速度的闭式表达式，以量化无线因素对 FL 的影响。然后，基于联邦学习算法的预期收敛速度，在给定用户选择和上行资源块（RB）分配方案的情况下，推导出每个用户的最佳发射功率。最后，优化用户选择和上行RB分配，以最小化联邦学习损失函数。仿真结果表明，与以下算法相比，所提出的联合联邦学习与通信框架可分别将识别准确率提高1.4%、3.5%和4.1%：1）具有随机资源分配的最优用户选择算法，2）具有随机用户选择和资源分配的标准联邦学习算法，以及3）在与联邦学习参数无关的情况下最小化所有用户总数据包错误率的无线优化算法。

Published in：IEEE TRANSACTIONS ON WIRELESS COMMUNICATIONS

DOI Link： http://dx.doi.org/10.1109/TWC.2020.3024629

入选论文简介6:

论文标题：Channel Estimation for Intelligent Reflecting Surface Assisted Multiuser Communications: Framework, Algorithms, and Analysis

在智能反射面 (IRS) 辅助的通信系统中，信道状态信息的获取是实现IRS波束成形增益的一个关键障碍，这是由于信道估计所需的开销相当巨大。具体而言，在当前的 IRS 辅助通信波束成形设计下，总共需要估计 KMN+KM 个信道系数，其中 K 、N 和 M 分别表示用户数、IRS 反射单元数和基站 (BS) 的天线数。本文首次指出，尽管需要估计的信道系数数量巨大，但由于每个 IRS 反射单元都通过同一信道将所有用户的信号反射到 BS，因此不同用户的用户-IRS-BS 反射信道中存在明显的冗余。为了利用这种冗余来减少信道估计时间，我们提出了一种新的三阶段信道估计框架。其中，用户-基站信道和典型用户的用户-IRS-基站反射信道分别在阶段 I 和阶段 II 进行估计；而其他用户的用户-IRS-基站反射信道在阶段 III进行估计，以利用它们与典型用户反射信道的强相关性来较低开销。在该框架下，我们通过分析证明，在基站没有接收机噪声的情况下，由 K+N+max(K−1,⌈(K−1)N/M⌉) 个长度的导频足以完美恢复所有 KMN+KM 个信道系数。此外，在考虑接收机噪声的情况下，我们推导出了信道估计的线性最小均方误差的闭式表达式。

Published in：IEEE TRANSACTIONS ON WIRELESS COMMUNICATIONS

DOI Link： http://dx.doi.org/10.1109/TWC.2020.3004330

入选论文简介7:

论文标题：Joint Computation and Communication Cooperation for Energy-Efficient Mobile Edge Computing

本文针对移动边缘计算 (MEC) 系统提出了一种新型计算和通信用户合作方法，以提高延迟受限计算任务的能效。具体考虑了一个基本的三节点 MEC 系统，该系统由一个用户节点、一个助手节点和一个连接到 MEC 服务器的接入点 (AP) 节点组成，其中用户需要完成延迟受限和计算密集型的任务。同时，本文考虑两种不同的计算卸载模型，即部分卸载和二进制卸载。对于部分卸载，用户端的任务分为三部分，分别在用户、助手节点和 AP 端执行；而对于二进制卸载，所有任务仅在三个节点之一上作为一个整体执行。在这种设置下，本文针对特定的时间块开发了一种高效的四时隙传输协议，以实现联合计算和通信合作。除了在整个时间块上进行本地任务计算之外，用户还可以在第一个时隙中将一些计算任务卸载给助手节点，助手节点在剩余时间内协作计算这些任务；在第二和第三个时隙中，助手充当协作中继，帮助用户将其他任务卸载到 AP，以便在第四个时隙中远程执行。对于部分卸载和二进制卸载的两种情况，本文联合优化用户和助手的计算和通信资源分配（即卸载的时间和发射功率分配，以及计算的中央处理器频率），以最小化他们的总能耗，同时满足用户的计算延迟约束。虽然这两个问题为是非凸优化问题，本文仍提出了高效的最优算法以实现最小能耗。仿真结果表明，与缺乏联合设计的其他基准方案相比，所提出的联合计算和通信协作方法能显着提高用户和助手的计算能力和能源效率。

Published in：IEEE INTERNET OF THINGS JOURNAL

DOI Link： http://dx.doi.org/10.1109/JIOT.2018.2875246

入选论文简介8:

论文标题：Joint Offloading and Computing Optimization in Wireless Powered Mobile-Edge Computing Systems

移动边缘计算 (MEC) 和无线电力传输 (WPT) 已被公认为物联网时代极具前景的技术，可为海量低功耗无线设备提供增强的计算能力和可持续的能源供应。本文提出了一种统一的 MEC-WPT 设计方案，该方案考虑了一个无线供电的多用户 MEC 系统。该系统中，一个多天线接入点 (AP)（集成 MEC 服务器）通过广播无线电力为多个用户充电，每个用户节点依靠收集到的能量执行计算任务。通过 MEC，这些用户可以自行在本地执行各自的任务，也可以基于时分多址协议将全部或部分任务卸载到 AP 上。基于所提出的模型，我们开发了一个创新框架来提升 MEC 性能，该框架通过联合优化 AP 的能量传输波束成形、用户侧的中央处理器频率和卸载比特数以及用户之间的时间分配来提升性能。在该框架下，我们解决了一个需要延迟受限计算的实际场景。在本案例中，我们开发了一种最优资源分配方案，在满足用户个体计算延迟约束的前提下，最大限度地降低AP的总能耗。利用最先进的优化技术，我们以半封闭的形式导出了最优解。数值结果证明了该设计优于其他基准方案的优势。

Published in：IEEE TRANSACTIONS ON WIRELESS COMMUNICATIONS

DOI Link： http://dx.doi.org/10.1109/TWC.2017.2785305

入选论文简介9:

论文标题：Pushing AI to wireless network edge: an overview on integrated sensing, communication, and computation towards 6G

将人工智能（AI）从中心云推向网络边缘已成为工业界与学术界实现6G时代"万物智联"愿景的广泛共识。这一趋势催生了边缘智能这一新兴研究领域，其核心在于从无线网络边缘的海量数据中提炼出类人智能。传统上，实现边缘智能涉及感知、通信与计算三大要素，分别对应数据生成、传输与处理的耦合过程。然而，现有无线网络以任务无关的方式孤立设计这三个要素，难以满足自动驾驶、元宇宙等新兴AI应用对超低时延、超高可靠性与大容量的严苛需求。这促使我们提出一种全新的设计范式——以任务为导向的通信感知计算一体化（ISCC），其核心在于统筹考虑下游AI任务对数据价值的差异化需求。鉴于该领域研究热度持续攀升，本文系统梳理了边缘智能中的ISCC技术：首先阐释其基本概念、设计挑战与使能技术，继而全面综述最新研究进展，最后展望未来发展方向。本研究为突破现有无线网络架构的局限性，构建面向6G时代的智能边缘计算体系提供了理论参考与技术路线。

Published in：SCIENCE CHINA-INFORMATION SCIENCES

Link： https://link.springer.com/article/10.1007/s11432-022-3652-2

入选论文简介10:

论文标题：A Tutorial on Extremely Large-Scale MIMO for 6G: Fundamentals, Signal Processing, and Applications

超大规模多输入多输出系统 (XL-MIMO) 可提供巨大的空间自由度，已成为第六代 (6G) 无线移动网络的潜在关键赋能技术。随着其重要性日益凸显，机遇与挑战并存。本文对 XL-MIMO 无线系统的研究进行了全面的综述，全面分析并讨论了四种 XL-MIMO 硬件架构的特性和相互关系：基于均匀线性阵列 (ULA) 的 XL-MIMO、基于均匀平面阵列 (UPA)（采用贴片天线、点天线）的 XL-MIMO 以及基于连续孔径 (CAP) 的 XL-MIMO。文章还深入分析了 XL-MIMO 的独特电磁特性，如近场通信中的球面波传播特性，以及一般距离边界的定义。此外，研究比较了多种信道模型，展示了 XL-MIMO 在近场通信中的显著优势，这些模型为理解和优化 XL-MIMO 的性能提供了理论基础。在信号处理方面，文章系统总结了现有方案，尤其是低复杂度设计和基于深度学习的处理方法，这些方案对 XL-MIMO 的实际应用具有重要意义。技术应用层面，研究特别强调了 XL-MIMO 与其他新兴 6G 技术（如语义通信和边缘计算）的协同作用，揭示了 XL-MIMO 在未来实现超高容量、低时延和绿色通信目标中的核心地位。最后，文章展望了 XL-MIMO 的未来研究方向，包括基于人工智能的资源分配、能效优化、语义通信集成和无线网络安全等领域。作为 6G 技术的重要支柱，XL-MIMO 的研究将为下一代无线通信带来深远影响。

Published in：IEEE COMMUNICATIONS SURVEYS AND TUTORIALS

DOI Link：http://dx.doi.org/10.1109/COMST.2023.3349276

入选论文简介11:

论文标题：A Tutorial on Environment-Aware Communications via Channel Knowledge Map for 6G

第六代（6G）移动通信网络预计将具备密集的基础设施、更大的天线规模、更宽的带宽、更具成本效益的硬件、多样化的定位方法以及更强的智能化能力。这些趋势为6G的实际设计带来了新的挑战与机遇。一方面，在6G网络中，实时获取所有无线链路的信道状态信息（CSI）将面临巨大挑战；另一方面，6G中将涌现大量包含高质量位置标记信道数据的数据源，例如基站（BS）与用户设备（UE）之间估计的信道或波束信息，从而为更好地理解本地无线环境提供了可能。为应对CSI获取的挑战并充分利用这一新机遇，通信范式有望从传统的环境非感知模式转向基于信道知识地图（CKM）新方法的环境感知模式。本文旨在全面综述CKM支持的环境感知通信，以充分挖掘其在6G中的潜力。首先，介绍CKM的基本概念，并将其与现有的多种信道推断技术进行比较；其次，探讨CKM构建的主要技术，包括无环境模型和环境模型辅助两种方法；随后，提出一个利用CKM实现环境感知通信的通用框架，并列举典型的CKM辅助通信场景；最后，指出CKM研究中的关键开放性问题，并探讨可能的解决方案，以期为未来研究提供方向。

Published in：IEEE COMMUNICATIONS SURVEYS AND TUTORIALS

DOI Link：http://dx.doi.org/10.1109/COMST.2024.3364508

教授简介:

崔曙光教授

加拿大皇家科学院院士、加拿大工程院院士，全球高被引学者，IEEE Fellow，深圳市杰出人才培养计划首批入选人，深圳市决策咨询委员会成员。崔教授于2005年在美国斯坦福大学获得博士学位，先后在UC Davis等多所美国大学任教至讲座教授。2018年加入香港中文大学（深圳），先后担任理工学院执行院长、校长学勤讲座教授、深圳市未来智联网络研究院院长、港中大（深圳）-京东集团人工智能联合实验室主任，广东省未来智联网络重点实验室主任。崔教授当前的科研成果主要集中在通信网络与AI技术的深度融合。他已在国际一流期刊和会议上发表了超400篇论文，曾担任多个IEEE国际会议的主席和程序委员会主席，IEEE旗舰期刊的指导委员会成员、主席，IEEE无线技术委员会的主席。他在2012年获得IEEE信号处理协会最佳论文奖，2013年当选IEEE Fellow，2014年入选IEEE通信协会杰出讲师、汤森路透全球高被引科学家名单、ScienceWatch全球最具影响力科学家名单。崔教授在2020至2022年还获得IEEE ICC最佳论文奖，IEEE ICIP最佳论文列表，IEEE GLOBECOM最佳论文奖，中国ICT创新应用奖，IEEE WCNC最佳论文奖，CCF Chinagraph首个图形开源数据集奖，中国电子学会自然科学一等奖，中国通信学会技术发明一等奖。在2023年，崔教授获得IEEE马可尼最佳论文奖，IEEE WTC无线技术成就奖，并当选新一届IEEE Transactions on Mobile Computing（CCF-A核心期刊）主编，是中国大陆工作的学者首次担任。在2024年，崔教授荣获2023年度国家自然科学二等奖，2024年度通信学会科技奖一等奖。

许杰教授

许杰，香港中文大学（深圳）副教授、理工学院助理院长（科研）、未来智联网络研究院副院长、广东省未来智联网络重点实验室副主任、通信工程理学硕士项目主任、中国高被引学者。主要从事无线通信、网络智能、通信感知一体化等方面的研究工作。在国际期刊和会议上发表论文200余篇，谷歌引用超过16500次。

曾获得2019年IEEE通信学会亚太地区杰出青年学者奖、IEEE无线通信技术委员会杰出青年学者奖、2017年IEEE信号处理学会最佳青年学者论文奖、2019年中国国际通信大会（IEEE/CIC ICCC）最佳论文奖、2020-2023年爱思唯尔中国高被引学者、IEEE通信学会杰出讲师。目前担任IEEE无线通信技术委员会副主席，IEEE通信感知一体化新兴技术委员会副主席。先后担任国际期刊IEEE Transactions on Mobile Computing副主编，IEEE Transactions on Wireless Communications，IEEE Transactions on Communications，IEEE Wireless Communications Letters编委，IEEE Journal on Selected Areas in Communications和IEEE Wireless Communications 的客座编辑，以及2019年IEEE全球通信大会（IEEE Globecom 2019）无线通信分会共同主席。

陈俊挺教授

陈俊挺，博士，现任香港中文大学(深圳)理工学院助理教授，校长青年学者。他于2009年取得南京大学电子科学与技术学士学位，2015年获香港科技大学电子及计算机工程博士学位。在加入香港中文大学（深圳）以前，从2015至2019年，他先后在法国欧洲通信研究院（EURECOM）、南加利福尼亚大学担任博士后研究员，从事5G通信相关研究，从2014至2015年，他在麻省理工学院访问，从事超宽带室内定位研究。他在通信及信号处理领域国际顶级期刊会议上，发表论文70余篇，其中在博士与博士后期间以第一作者身份，发表JCR一区期刊论文11篇。他在多个国际会议上担任技术委员会委员、分会主席；他长期担任信号处理、通信领域顶尖学术期刊审稿人;担任IEEE Transactions on Wireless Communications编辑。在科技成果转化方面，他贡献了一项美国授权专利、3项欧盟专利、12项中国授权专利。他被评为2018年IEEE Wireless Communication Letters最佳审稿人荣誉，入选国家海外高层次人才计划（青年）、入选“珠江人才计划”青年拔尖人才。他的科研成果获得2022年无线与光通信会议WOCC“高锟最佳论文”奖。他的研究兴趣集中在无线通信与定位中的信号处理、优化与机器学习问题，尤其关注频谱地图、低空通信、MIMO通信等技术。

王兆瑞教授

王兆瑞于2015年毕业于电子科技大学，获得学士学位；2019年毕业于香港中文大学，获得博士学位。在2020至2022年间，他分别在香港理工大学和香港中文大学担任博士后研究员。目前，他在香港中文大学（深圳）担任研究助理教授。在2015至2018年间，他获得香港政府奖学金（香港博士生最高等级奖学金），并于2022年获得鹏程孔雀计划特聘岗位C档。他的研究兴趣包括：低空网络中的无人机快速身份识别与高精度定位技术，以及低时延大模型。他致力于提出新的通信协议和先进的信号处理算法，并通过构建硬件系统平台对提出的协议和算法进行验证和进一步的性能提升，以推动其研究成果对工业界的应用。他已经在国际顶尖期刊和会议上面发表了30多篇论文，其中，一篇论文被评为ESI热点论文和ESI高被引论文。目前谷歌学术引用超过1100次。他将担任IEEE CloudCom 2025 workshop联合主席。此外，他还曾担任过多个顶尖会议的技术委员会成员及多个顶尖期刊和会议的审稿人。