标题：Secrecy Outage Probability Fairness in Intelligent Reflecting Surface Assisted Uplink Channels -- Alternating Optimization vs. Deep Learning

内容：

1. 引入基于公平性的保密性能优化问题：

针对多用户智能反射面（IRS）辅助物理层安全（PLS）系统，考虑了用户间公平性问题，提出以“最大-最小”保密中断概率（Min-Max SOP）作为优化目标，而非传统的保密速率（Secrecy Rate）。

2. 保密中断概率建模：

由于窃听者的信道状态信息（CSI）瞬时未知，无法直接计算精确的保密速率，采用保密中断概率（SOP）作为安全性能衡量指标，更加贴合实际应用场景。

3. 提出交替优化（AO）与深度学习（DL）两种优化框架：

AO方法将复杂问题解耦为相位偏移矩阵和接收端波束赋形向量两个子问题交替优化，达到接近最优的性能，但计算复杂度较高。

DL方法采用神经网络通过离线训练实现在线优化，有效降低复杂度，但直接应用传统自监督学习难以有效解决最大-最小优化问题。

4. 提出多阶段增强（MSB）框架的深度学习方法：

创新性地设计了多阶段增强框架（Multiple-Stage Booster, MSB），有效克服传统自监督神经网络在处理最大-最小问题中的不足，使得DL方案能够有效逼近最优解。