本研究探讨了6G无线网络中用户传输功率分配的公平性与网络利用率之间的权衡，提出了一种基于Kolmogorov-Arnold网络的机器学习模型，以优化公平性。研究表明，该模型在动态环境中能够有效平衡公平性与推理成本，具有显著的应用潜力。

本文提出了一种基于深度神经网络的主动用户检测方案，能够准确检测活动用户，优于传统方法。同时，研究了毫米波非正交多址接入系统中的功率分配和波束成形优化，利用深度强化学习提升用户总速率。此外，DL-mAMPnet算法在大规模机器型通信中显著提升了检测性能。

本文研究了基于深度强化学习的资源分配技术，提出了多种算法以优化城市资源分配、无线网络频谱和功率分配等问题。仿真结果表明，这些方法在复杂环境中优于传统算法，具有更快的学习性能和更高的适应性。