Nach positiver Absolvierung der Lehrveranstaltung sind Studierende in der Lage Kenntnisse der aktuellen Forschungsarbeiten und Entwicklungsarbeiten in der Mobilkommunikation zu verstehen und anzuwenden. Das ist ist eine erfolgreiche Tätigkeit in der österreichischen und europäischen Industrie oder bei Netzbetreibern vorzubereiten.

Skills im Detail:
Fähigkeit zur Kommunikation und Zusammenarbeit: Die Teilnehmer verbessern ihre Kommunikations- und Zusammenarbeitsfähigkeiten durch teambasierte Aktivitäten, Diskussionen und Präsentationen. Fähigkeit zur kritischen

Bewertung der Forschung zur drahtlosen Kommunikation: Die Teilnehmer lernen, wie man die Forschung zur drahtlosen Kommunikation kritisch bewertet, einschließlich Forschungsarbeiten, Patente und Branchenberichte.

Sensibilisierung für neue Trends in der drahtlosen Kommunikation: Die Teilnehmer werden in neue Trends und Herausforderungen in der drahtlosen Kommunikation eingeführt, wie z. B. das Internet der Dinge (IoT), drahtlose Sicherheit, 5G, 6G, maschinelles Lernen und die gemeinsame Nutzung von Frequenzen.

This year's topic of the mobile communications seminar is focusing on machine learning as the enabler for wireless access networks of the future. 5G and beyond networks are expected to be significantly different from today's networks. The main requirements are: to support up to 1000 times the capacity, reduce the latency of data delivery, flatten total energy consumption and finally make the network to be self-aware. These tasks will require data driven solutions in order so solve: Resource allocation optimization, Traffic prediction and management, Network optimization and management, Security and privacy, and Quality of Service (QoS) monitoring and optimization.

In this lecture, we will hear talks on how to reach these goals and conduct self study in current literature as well as presenting the condensed papers knowledge.

Die Unterrichtsmethoden, die in einem Seminar verwendet werden, können je nach aktuellem Thema variieren. Die gängigen Unterrichtsmethoden, die in diesem Seminar verwendet werden, sind:

Vorlesung: In einem Seminar präsentiert der Dozent Informationen und Konzepte den Teilnehmern.

Diskussion: Diskussionen sind ein wichtiger Bestandteil von Seminaren. Sie ermöglichen den Teilnehmern, ihre Ideen zu teilen, Fragen zu stellen und verschiedene Perspektiven zu erkunden.

Fallstudien: Fallstudien sind eine wertvolle Unterrichtsmethode in Seminaren, da sie den Teilnehmern reale Beispiele für Konzepte und Theorien bieten. Die Teilnehmer können die Fallstudie als Ganzes analysieren und diskutieren und die Experten um Feedback bitten.

Gruppenaktivitäten: Gruppenaktivitäten wie Brainstorming, Problemlösung und Reiseaktivitäten helfen den Teilnehmern, die Konzepte, die sie im Seminar gelernt haben, auf reale Situationen anzuwenden. Gruppenaktivitäten können auch Teamwork und Kommunikationsfähigkeiten verbessern.

Präsentationen: Die Teilnehmer können die Möglichkeit haben, ihre Ideen, Forschungsergebnisse oder Projekte der Seminargruppe vorzustellen. Dies ermöglicht es den Teilnehmern, ihre Fähigkeiten im öffentlichen Sprechen zu entwickeln und Feedback von ihren Kollegen zu erhalten.

Insgesamt werden nur die modernsten Methoden angewendet, die derzeit diskutiert werden.

Note: 389.075 will not be offered anymore from 2017 on.

Note: Visiting the course of the partner universities is a mandatorily required element of the seminar, make sure that you are able to join.

The seminar starts in March online.

If you like to participate, please join at the date and contact

philipp.svoboda@tuwien.ac.at

for recent information

the course is held in English. We will also travel to TU Bratislava as well as to TU Brno to attend the corresponding seminar over there. Attendence on these thrips is required.

Vorbesprechung: Donnerstag. 2.3., 11:00 Uhr, in Person: EI 5 - danach präsentation Ke Guan

See dates for the details of the course

Im ersten Teil des Seminars präsentieren Forscher und Experten Ihre neuesten Forschungsergebnisse und Sichtweisen in ihrem Teil von 5G and beyond, sowie neue Anwendungen und Herausforderungen für kommende Technologien.

Im zweiten Teil des Seminars werden die Studierenden Literatur und Forschungsarbeiten zu Machine Learning für 5G and beyond lesen und ihre Ergebnisse durch eigene Präsentationen reflektieren. Bitte wählen Sie bis Ende März zwei Arbeiten aus unserer vorgeschlagenen Liste aus und melden Sie diese bei Philipp Svoboda an. Die Arbeiten werden auf Anfrage zugeteilt.. Hinweis: Sie können auch Ihr eigenes Thema / Publikation mitbringen, die Liste ist nur eine Empfehlung.

Die Runde der Studentenvorträge beginnt nach den Osterferien an Donnerstagen mit 2-3 Studierenden pro Sitzung. Eine Liste mit Terminen wird nach der Auswahl online gestellt.

Die Teilnahme an den Seminarterminen ist obligatorisch! Wir werden Ihre Teilnahme überprüfgen. Das Seminar beginnt mit eingeladenen Vorträgen, und danach halten die Studierenden selbst vorbereitete Präsentationen (~30min). Jeder Studierende muss einen schriftlichen Bericht vorbereiten, der spätestens am Ende des Semesters (bis spätestens 15. Juni!) (~15 Seiten) abgegeben werden muss.

Die Vorträge finden laut Kalender statt, weitere Details werden im Kurs bekannt gegeben.

Bitte beachten Sie die Richtlinien der TU Wien zum Umgang mit Plagiaten beim Verfassen Ihrer Seminararbeit: https://www.tuwien.ac.at/fileadmin/t/ukanzlei/Lehre_-_Leitfaden_zum_Umgang_mit_Plagiaten.pdf

List of Papers (work in progress):

1. C. Zhang, X. Sun, W. Xia, J. Zhang, H. Zhu and X. Wang, "Deep Learning Based Double-Contention Random Access for Massive Machine-Type Communications," in IEEE Transactions on Wireless Communications, 2022, doi: 10.1109/TWC.2022.3206769.
2. N. Yarkina, A. Gaydamaka, D. Moltchanov and Y. Koucheryavy, "Performance Assessment of an ITU-T Compliant Machine Learning Enhancements for 5 G RAN Network Slicing," in IEEE Transactions on Mobile Computing, doi: 10.1109/TMC.2022.3228286.
3. I. F. Mohamad Rafie, S. Y. Lim and M. J. H. Chung, "Path Loss Prediction in Urban Areas: a Machine Learning Approach," in IEEE Antennas and Wireless Propagation Letters, doi: 10.1109/LAWP.2022.3225792.
4. Z. Liu, L. Chen, X. Zhou, Z. Jiao, G. Guo and R. Chen., "Machine Learning for Time-of-Arrival Estimation with 5G Signals in Indoor Positioning," in IEEE Internet of Things Journal, doi: 10.1109/JIOT.2023.3234123.
5. T. S. Cousik, V. K. Shah, T. Erpek, Y. E. Sagduyu and J. H. Reed, "Deep Learning for Fast and Reliable Initial Access in AI-Driven 6G mm Wave Networks," in IEEE Transactions on Network Science and Engineering, 2022, doi: 10.1109/TNSE.2022.3201748.
6. A. Balieiro, K. Dias and P. Guarda, "A Machine Learning Approach for CQI Feedback Delay in 5G and Beyond 5G Networks," 2021 30th Wireless and Optical Communications Conference (WOCC), Taipei, Taiwan, 2021, pp. 26-30, doi: 10.1109/WOCC53213.2021.9603019.
7. T. Wild, V. Braun and H. Viswanathan, "Joint Design of Communication and Sensing for Beyond 5G and 6G Systems," in IEEE Access, vol. 9, pp. 30845-30857, 2021, doi: 10.1109/ACCESS.2021.3059488.
8. J. Park et al., "Communication-Efficient and Distributed Learning Over Wireless Networks: Principles and Applications," in Proceedings of the IEEE, vol. 109, no. 5, pp. 796-819, May 2021, doi: 10.1109/JPROC.2021.3055679.
9. G. Zhu, J. Xu, K. Huang and S. Cui, "Over-the-Air Computing for Wireless Data Aggregation in Massive IoT," in IEEE Wireless Communications, vol. 28, no. 4, pp. 57-65, August 2021, doi: 10.1109/MWC.011.2000467.
10. R. Ali, Y. B. Zikria, A. K. Bashir, S. Garg and H. S. Kim, "URLLC for 5G and Beyond: Requirements, Enabling Incumbent Technologies and Network Intelligence," in IEEE Access, vol. 9, pp. 67064-67095, 2021, doi: 10.1109/ACCESS.2021.3073806.
11. S. Huang, Y. Ye, M. Xiao, H. V. Poor and M. Skoglund, "Decentralized Beamforming Design for Intelligent Reflecting Surface-Enhanced Cell-Free Networks," in IEEE Wireless Communications Letters, vol. 10, no. 3, pp. 673-677, March 2021, doi: 10.1109/LWC.2020.3045884.
12. D. M. Manias and A. Shami, "Making a Case for Federated Learning in the Internet of Vehicles and Intelligent Transportation Systems," in IEEE Network, vol. 35, no. 3, pp. 88-94, May/June 2021, doi: 10.1109/MNET.011.2000552.
13. B. Brik, K. Boutiba and A. Ksentini, "Deep Learning for B5G Open Radio Access Network: Evolution, Survey, Case Studies, and Challenges," in IEEE Open Journal of the Communications Society, vol. 3, pp. 228-250, 2022, doi: 10.1109/OJCOMS.2022.3146618.
14. A. Jagannath, J. Jagannath and T. Melodia, "Redefining Wireless Communication for 6G: Signal Processing Meets Deep Learning With Deep Unfolding," in IEEE Transactions on Artificial Intelligence, vol. 2, no. 6, pp. 528-536, Dec. 2021, doi: 10.1109/TAI.2021.3108129.

This seminar is targeted for students in the Master of telecommunications. Note that the seminar requires travelling to bratislava and brno and is held entirely in english