精确因果结构学习加上团约束：不是普遍加速，收益取决于图密度与割管理
精确因果结构学习用混合整数规划求全局最优有向无环图，但分支切割搜索代价高。新工作在学习到的无向骨架上加最大团大小上界，在整数候选处用惰性环约束和团约束剔除局部过密子图。在静态线性高斯合成图上，团约束并未一致加速优化，收益取决于图密度、样本量和割管理策略；更紧的有效 Big-M 界在多数测试设置下缩小了固定预算最优性间隙。
模块化超大阵列波束训练不再全码本扫描：先按视差铺候选，再用统计反馈剪掉纯噪声扇区
模块化超大天线阵列在近场与远场并存的混合场环境中做波束训练，候选码本不再固定不变。此前子阵方案依赖预定义码本或激活图样，难以适应空间非平稳信道；这里先用视差感知的初始码本覆盖各子阵的角度偏移，再用多臂老虎机在线学习，并在统计稳态后跨子阵投影、用似然比检验剔除纯噪声扇区，从而压缩动作空间。仿真中该方案在评估的整个信噪比范围内有效频谱效率高于三种对比方案，训练开销也明显降低。
已读完全部报道