在本研究中，我们开发了一种增强的上下文学习（ICL）框架，以提高多用户多个输入单输出（MU-MISO）系统中基于导频的波束形成性能。该方案将ICL-Transformer主干与导频编码器-解码器网络（EDN）和波束形成器EDN相结合。我们ICL网络的一个关键特性是能够在不重新训练的情况下处理多个信道模型，这得益于特定模型上下文数据集的构建。为了提高收敛性和鲁棒性，我们引入了三项关键创新：
(a) 课程学习（CL）策略，平滑过渡从监督的LMMSE标记模仿到无监督的总速率最大化；
(b) 自我演化机制，在基于CL的训练中动态扩展和优化所有信道模型的上下文数据集；
(c) 误差感知扩展，将多个误差纳入通用ICL框架，并绕过显式信道校准。
消融研究验证了上下文架构和增强训练策略的有效性。在多样的通信环境下的仿真结果表明，所提方案能够快速适应已见和未见的信道模型，而无需基于梯度的参数更新，并能够通过智能上下文构建来缓解误差问题。此外，我们的方案在基于导频的设置下持续优于现有的波束形成方案，包括WMMSE基准和最新的基于Transformer的方法。
博主点评： 该研究通过引入自我演化机制和课程学习策略，显著提升了MU-MISO系统的波束形成效率，展示了上下文学习在无线通信中的潜力。这种创新的框架不仅提高了适应性，还解决了信道不匹配的问题，值得进一步探索和应用。