B5G/ 6G Wireless Communication (B5G/ 6G無線網路)
- 概念：利用機器學習去取代通訊系統在複雜情境底下所需進行的高複雜度運算，提升通訊效能，並建立通訊網路架構來因應未來大數據的傳輸。
研究議題：
深度學習無線通訊 (AI/ ML for Communication)：利用深度學習的技術來提升通訊系統最佳化的效能，並提出以深度學習為編解碼和調變基礎的架構。
支應機器學習的邊端運算架構 (Edge Computing for Machine Learning)：提出可支應分散式機器學習需求的邊端運算和通訊架構。
通訊感知一體化 (Integrated Sensing and Communication)：共用雷達和通訊系統以節省頻寬和資源，達到兩者之間效能的平衡。
UAV Communications (無人機通訊)
概念：為了支援物聯網的大量行動通訊應用場景及業務服務，使用無人機預期有更靈活的可擴展性來幫助提升資料蒐集、資源分配的效率。
- 研究議題：
- 無人機軌跡優化 (Trajectory Optimization)：藉由設計UAV的軌跡和排定收集感測器觀測值的時機點，重建資料後卸載給下載點。
- 動態連接無人機基站 (Dynamically Connectable UAV-BSs)：探討可動態連接無人機的群聚策略，以及衍生的合作式傳輸、能量共享、使用者分群。
Low Earth Orbit (LEO) Satellite Communications (低軌衛星通訊)
概念：為了達到全球通訊零死角，使用衛星通訊有助於偏遠地區、海上地區、山區等無基地台的地方通訊。在延遲考量上，低軌衛星相較於先前使用的地球同步衛星更勝一籌。此外，讓低軌衛星與地面基地台合作，透過合理的資源分配、干擾排除等技術，進而提升通訊品質與效率。- 研究議題：
- 衛星波束優化 (Satellite Beamforming/ Beam-Hopping)：透過設計衛星的波束方向排定每個時間點要服務的使用者，能減少彼此間的干擾並增加衛星的傳輸資料量。
- 衛星切換 (Satellite Handover)：因低軌衛星移動速度快，服務一個地區的時間往往很短，所以透過設計適當的衛星換手，讓使用者的服務不間斷，同時考量切換至下一顆衛星的服務品質，讓使用者的通訊體驗更佳。
Communication Design for Federated Learning (聯邦式學習之通訊設計)
概念：依據分散式或聯邦式學習場景之所需，設計跨層次的無線通訊機制，以提升人工智慧應用之模型訓練效能。
- 研究議題：
- 資源分配與用戶選擇 (Resource Allocation and User Selection)：有效率的分配資源給選擇的用戶以達到最佳的模型訓練成效。
空中融合 (Over-the-Air Aggregation)：利用無線通道疊加特性，自動地在傳輸過程中執行模型參數融合以節省頻寬資源。
模型快取 (Model Caching)：考慮用戶偏好並探討最佳的機器學習模型快取策略，以最佳化多個學習模型的總訓練損失。
Signal Processing for Internet of Things (IoT) and Sensor Networks (物聯網與無線感測網路之訊號處理技術)
- 概念：物聯網及感測網路利用無線連結和感測技術賦予機器更多的智慧，也提供人類更大的便利。
- 研究議題：
分散式檢測、估測與壓縮：感測器將觀測值量化或壓縮後傳送給資料融合中心，資料融合中心再依所接收到的資訊做最後的統計推論。
網路內學習 (In-Network Learning)：容許僅具少量運算能力的感測器，透過與其他感測器合作，組成等效的大型神經網路進行複雜的學習運算。