本中心於 115 年 9 月 29 日邀請英國赫瑞瓦特大學教授暨 IEEE Fellow Dr. Mathini Sellathurai，以「Autoencoder-Based coded-modulation designs for Wireless Networks」為題進行專題演講。

有別於傳統通訊系統分離設計的次佳解，Dr. Sellathurai 指出，基於 Deep Learning 的 Autoencoder (AE) 架構能直接從資料中進行端到端聯合學習。演講證實，無論有無通道狀態資訊（CSI），AE 皆能在 fading channels 中實現接近最佳化（near optimal）的編碼與調變設計，且傳輸速率越大，超越傳統網路的效能優勢越顯著。

Dr. Sellathurai 首先概述了 AE 系統的發展潛力，展示其在面臨 fading channels 時，無論是否存在通道狀態資訊（Channel State Information, CSI），皆能執行接近最佳化（near optimal）的 coded modulation 與 differential coded modulation 設計。講者進一步指出，隨著傳輸速率

R 的增加，基於 AE 的框架展現出比傳統網路更大的效能優勢。針對模型的可解釋性，演講從資訊理論視角（information-theoretic perspective）深入檢視了 AE 的收斂性與訓練原則，並探討其在高維空間中設計的運作機制。

此外，演講聚焦於 AE 框架的強健性（robustness），詳細探討了三大原則：訓練後 AE 框架在不同情境下的可重複使用性（reusability）、可重製性（reproducibility），以及將特定速率

R 訓練出的模型轉移至其他任意速率的轉移能力（transferability）。最後，Dr. Sellathurai 總結了該架構所驅動的關鍵網路應用，包含中繼網路（relaying networks）、多使用者下行通訊（multi-user downlink networks）、全雙工網路（full-duplex networks）以及非正交多工存取（NOMA）等場景的效能突破，強調在未來的無線網路系統設計上，仍具備龐大的創新發展空間