SİU 2026 — Bilimsel Program

Milimetre dalga mmDalga büyük MIMO haberleşme sistemlerinde, maliyet-güç-boyut-donanım yükünü azaltmak için hibrit analog-dijital hüzme oluşturma mimarilerini kullanır. Son zamanlarda, çok geniş THz bant genişliklerinden yararlanmak için kısa menzilli haberleşme ve radar uygulamaları için mmDalga frekanslarından Terahertz (THz) frekanslarına doğru kademeli bir geçiş de vardır. THz'de, ultra büyük MIMO, binlerce anten kullanırken geniş bant genişliklerinden yararlanmayı amaçlanır. Hibrit hüzme oluşturma tekniklerinin tasarımı, maliyet fonksiyonu olarak ortak bir performans metriğinin seçimini gerektirmenin yanı sıra, kullanılan haberleşme rejimi ve hibrit sistemin/sistemlerin benimsenen mimarisiyle ilgili çeşitli kısıtlamaları içeren zor dışbükey olmayan optimizasyon problemlerinin çözümünü gerektirir. Bu tür problemleri çözmek için standart bir metodoloji yoktur ve genellikle verimli bir çözümün türetilmesi çok zorlu bir görevdir. Optimizasyona dayalı yaklaşımlar yüksek hesaplama karmaşıklığından muzdarip olduğundan ve performansları büyük ölçüde mükemmel kanal koşuluna dayandığından, bu eğitim seminerinde hibrit bir hüzme oluşturucu tasarlarken sağlam performans sağlayan derin öğrenme (DL) tekniklerini tanıtıyoruz. Bu eğitimde, katılımcılar dağıtılmış ve merkezi öğrenme kullanarak hüzme oluşturma, kanal tahmini, anten seçimi ve mekansal modülasyon dahil olmak üzere hibrit hüzme oluşturmanın çeşitli yönlerine DL'yi uygulamayı öğrenecekler. Ayrıca, bu kavramları ortak haberleşme-radar mimarileri bağlamında inceleyeceğiz.

Bu seminer, 6G vizyonu kapsamında yüksek irtifa platform istasyonları (High Altitude Platform Stations – HAPS) teknolojisinin haberleşme ağlarındaki konumunu ele almaktadır. Uluslararası Telekomünikasyon Birliği’nin (International Telecommunication Union – ITU) 6G vizyon dokümanı ile Avrupa Birliği’nin 6G yaklaşımı temel alınarak, HAPS teknolojisinin geleceğin haberleşme sistemlerine sunacağı katkılar, karşılaşılan teknik ve düzenleyici zorluklar ile ortaya çıkan fırsatlar değerlendirilecektir. Stratosferde konumlanan insansız hava araçları ve balonlar üzerinden çalışan HAPS sistemleri; kırsal ve erişimi kısıtlı bölgelerde kapsama sağlanması, afet ve acil durum haberleşmesi ile IoT uygulamaları gibi kritik kullanım senaryoları için önemli çözümler sunmaktadır. Bu seminer, 6G ve ötesi teknolojilere yönelik kapsamlı bir bakış kazanmak isteyen araştırmacılar, mühendisler ve sektör profesyonellerine yöneliktir.

AI-driven automation is rapidly transforming modern net- work and service operations, yet the opaque nature of AI models continues to limit trustworthiness, adoption, and safe decision-making in next-generation network environments. This tutorial provides a structured, hands-on introduction to Explainable, Interpretable, and Trustworthy AI (XAI & IAI) for trusted network autonomy, operations, and management. We explore the foundations of explainability, including key model-agnostic and model-aware techniques such as LIME, SHAP, Integrated Gradients, surrogate modeling, counterfac- tual reasoning, and causal approaches. We demonstrate how these techniques enable debugging, assurance, and operator confidence across complex network ecosystems. This tutorial delivers a focused exploration of Explain- able AI (XAI) theory for network autonomy, operations, and management. It introduces core interpretability concepts and widely used techniques, such as LIME, SHAP, Inte- grated Gradients, surrogate models, counterfactuals, and causal reasoning, building on seminal XAI research. The session connects these methods to emerging XAI-for-Networks work across O-RAN, 6G, IoT ecosystems, intrusion detection, and knowledge-driven automation, presenting a taxonomy of telecom-centric use cases that span anomaly triage, SLA diagnosis, resource allocation, and validation of closed-loop actions. Participants will engage with hands-on demonstrations using synthetic and anonymized KPI/telemetry datasets and ex- plore explainability challenges across O-RAN, AIOps/MLOps pipelines, and upcoming regulatory frameworks. The tutorial concludes by outlining future research pathways, including XAI for LLM-based agents, real-time and distributed explain- ability, and by highlighting how explainability can be sys- tematically embedded into trustworthy autonomous network management. By connecting explainability with autonomy, this tutorial equips researchers, practitioners, and operators with the conceptual tools and practical skills needed to design, eval- uate, and deploy trustworthy AI systems for next-generation AI-native networks.

This seminer unifies six decades of image modeling—evolving from handcrafted mathematical tractable priors to solve inverse problems in imaging to data-driven deep foundation image models for both image generation and solving inverse problems—under a common Bayesian framework that formulates image modeling as an implicit or explicit probabilistic characterization of a data manifold. Every image restoration or generative task fundamentally seeks to answer the same question: What makes an image look like a real image? In the Bayesian framework, this question is encapsulated by the prior probability density p(x), or its more optimization-friendly counterpart, the log-prior log p(x). While early works in solving inverse problems, such as Tikhonov, Total Variation (TV), and Non-local priors relied on explicit handcrafted definitions of log prior to model local smoothness, modern techniques, such as Plug-and-Play (PnP) priors and Denoising Diffusion models, are rooted in algorithmic uncoupling and implicit manifold learning that apply to both inverse problems and conditional image generation. By grounding imaging inverse problems and conditional image generation under a single mathematical engine: the gradient of the log-prior, or the Stein Score Function, we bridge the gap between signal processing and machine learning communities, turning what seems like parallel developments into a single, evolution of image modeling from handcrafted analytical models to models learned from big data, demonstrating that the pursuit of the 'denoising score' is the common thread connecting variational optimization (in MAP estimation) to posterior sampling (in modern foundation image models).

Özet program kitapçığında duyurulacaktır.