本研究提出了一种基于深度强化学习的在线学习框架，旨在解决6G网络中自适应波束切换的高频率、移动性和阻塞问题。该方法在信噪比、吞吐量和准确性方面显著优于传统方法。

本研究提出了一种新型深度学习MRI去噪方法SNRAware，通过模拟高质量合成数据集和利用定量噪声分布信息，显著提升了去噪性能和模型通用性。在多种成像序列中，该模型表现优异，尤其在实时心脏成像和灌注成像中，信噪比分别提升6.5倍和2.9倍。

本研究针对动态信道对基于联合源信道编码的语义通信系统的影响提出了解决方案。提出的SNR-EQ-JSCC架构通过将信噪比嵌入到注意力块以实现信道适应，并通过动态调整注意力分数，显著提高了图像传输的性能，尤其在感知指标上。实验结果表明，SNR-EQ-JSCC在高峰信噪比和计算复杂度上优于现有方法，具有较小的存储开销。

本研究探讨了无人机网络中的频谱感知问题，提出了一种基于联邦学习的FedSNR聚合方法，以提高信噪比下的模型准确性。实验结果表明，该方法在频谱共享和干扰管理方面优于传统方案，具有实际应用潜力。

研究分析了联邦学习在通信噪声下的表现。结果表明，为保持收敛性，模型传输的信噪比需随通信轮数平方增长，而模型差分传输不受影响。关键在于随机梯度下降能容忍非主导通信噪声。

分数扩散模型在高维数据生成中取得进展，但缺乏定量保证。本文通过“倾斜传输”技术，将后验采样问题转化为更易处理的“增强”后验，并分析其条件数和信噪比的关系。该方法在Ising模型、高维高斯混合模型和ϕ^4模型上效果良好。

本研究提出UncertaintyRAG方法，通过信噪比评估文本片段相似性，解决长文本生成中的不一致性问题。该方法提高了模型的校准和稳健性，在相同数据量下超越基线，展现出强大的泛化能力和灵活性。

本研究提出了一种基于物理的去卷积方法，通过模型化点扩散函数提高超声成像分辨率，直接处理B模式图像，显著提升清晰度。该方法在多项指标上优于传统技术，并通过虚拟模型和体内实验验证了其应用潜力。

本研究提出新方法，解决神经网络在不同信噪比下的解释不足问题。通过识别关键单元，提供全球和局部解释。实验表明，该方法能有效识别对信噪比处理贡献最大的单元，适用性广泛。

本研究探讨了联邦学习中通信错误对学习性能的影响。结果显示，通过控制信噪比可以保持收敛行为，但模型差分传输不受影响。研究认为，只要通信噪声不占主导地位，可以容忍随机梯度下降的噪声。

本研究提出了一种新的方法，通过估计样本协方差中的共阵子空间来解决稀疏线性阵列定位源数超过传感器数的问题。基于深度神经网络的子空间表示学习方法在不同维度的学习计算中效率更高，并且在各种信噪比和源数量下超越了现有的处理方法，展现出更优的性能。

该论文研究了大型天线阵列下的毫米波通信技术，提出了一种新的自适应序列对齐算法，通过优化天线束成形向量，改善信号衰减和干扰问题。该算法在低信噪比情况下实现了明显的通信速度提升，完成了独立的毫米波通信的首次演示。

本研究探讨了联邦学习中通信噪声的处理和对学习性能的影响。结果显示，通过控制信噪比可以保持收敛行为，但模型差分传输不受影响。研究认为只要通信噪声不占主导地位，可以容忍噪声对学习过程的影响。

本文介绍了一种利用基于分数的生成模型的音频视觉语音增强系统。通过利用自我监督学习模型获得的音频视觉嵌入，将其合并到噪声条件分数网络中。实验评估表明，该系统在语音质量和减少生成物品方面具有改进效果，并减少了发音困惑。

该研究提出了一种基于多模态注意力的音视频语音识别方法，使用了最先进的Seq2seq架构，相对于单独的音频模态获得了2%到36%的提高。该方法在不同信噪比下，清洁和嘈杂条件下均能获得更好的识别性能，适用于其他多模态任务。

本研究提出了一种基于卷积神经网络的方法，用于从无线信号的距离-多普勒图中估算移动目标的范围和速度指数。实验证明该模型在不同信噪比下具有更好的范围和速度估算精度和更短的预测时间，并在峰值信噪比方面表现出色。