論文の概要: AI for CSI Feedback Enhancement in 5G-Advanced and 6G
- arxiv url: http://arxiv.org/abs/2206.15132v1
- Date: Thu, 30 Jun 2022 08:52:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2022-07-01 15:14:34.565436
- Title: AI for CSI Feedback Enhancement in 5G-Advanced and 6G
- Title（参考訳）: 5Gアドバンストと6GにおけるCSIフィードバック向上のためのAI
- Authors: Jiajia Guo, Chao-Kai Wen, Shi Jin, Xiao Li
- Abstract要約: 第3世代パートナーシッププロジェクトは2021年にリリース18の研究を開始した。
本稿では,5G-Advancedおよび6GにおけるCSIフィードバック向上のためのAIの概要を紹介する。
- 参考スコア（独自算出の注目度）: 51.276468472631976
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The 3rd Generation Partnership Project has started the study of Release 18 in
2021. Artificial intelligence (AI)-native air interface is one of the key
features of Release 18, where AI for channel state information (CSI) feedback
enhancement is selected as the representative use case. This article provides a
comprehensive overview of AI for CSI feedback enhancement in 5G-Advanced and
6G. The scope of the AI for CSI feedback enhancement in 5G-Advanced, including
overhead reduction, accuracy improvement, and channel prediction, is first
presented and discussed. Then, three representative frameworks of AI-enabled
CSI feedback, including one-sided implicit feedback, two-sided
autoencoder-based implicit feedback, and two-sided explicit feedback, are
introduced and compared. Finally, the considerations in the standardization of
AI for CSI feedback enhancement, especially focusing on evaluation, complexity,
collaboration, generalization, information sharing, joint design with channel
prediction, and reciprocity, have been identified and discussed. This article
provides a guideline for the standardization study of the AI-based CSI feedback
enhancement.
- Abstract（参考訳）: 第3世代パートナーシッププロジェクトは2021年にリリース18の研究を開始した。
人工知能(AI)ネイティブエアインターフェースは、チャネル状態情報(CSI)フィードバック強化のためのAIが代表的なユースケースとして選択されるリリース18の重要な特徴の1つである。
本稿では,5G-Advancedおよび6GにおけるCSIフィードバック向上のためのAIの概要を紹介する。
5g-advancedにおけるcsiフィードバック強化のためのaiのスコープについて,まず,オーバーヘッド削減,精度向上,チャネル予測などについて述べる。
次に、一方の暗黙のフィードバック、両側の自己エンコーダに基づく暗黙のフィードバック、両側の明示的なフィードバックを含む、AI対応のCSIフィードバックの代表的な3つのフレームワークを紹介し比較する。
最後に,評価,複雑性,コラボレーション,一般化,情報共有,チャネル予測と協調設計,相互性に着目し,csiフィードバック強化のためのaiの標準化に関する考察と考察を行った。
本稿では、AIに基づくCSIフィードバック強化の標準化研究のガイドラインを提供する。
関連論文リスト
- Towards Cognitive Service Delivery on B5G through AIaaS Architecture [0.16070833439280313]
4Gから5Gへの移行は、ビジネス分野に向けたネットワークの統合において、AIに重大な意味を持つ。
本稿では,AI能力B5Gと6Gでコアネットワークをさらに強化するために必要なインターフェースを提示するNWDAFの進化フレームワークを提案する。
論文 参考訳（メタデータ） (2024-12-23T20:30:29Z) - Overview of AI and Communication for 6G Network: Fundamentals, Challenges, and Future Research Opportunities [148.601430677814]
本稿では,6GネットワークにおけるAIと通信の概要を概観する。
我々はまず、AIを無線通信に組み込むことの背景にある要因と、AIと6Gの収束のビジョンを概観する。
講演はその後、6Gネットワーク内でAIの統合を想定する詳細な説明へと移行する。
論文 参考訳（メタデータ） (2024-12-19T05:36:34Z) - Goal-Oriented Semantic Communication for Wireless Visual Question Answering [68.75814200517854]
本稿では,視覚質問応答(VQA)の性能向上を目的とした目標指向セマンティックコミュニケーション(GSC)フレームワークを提案する。
本稿では,BBoxを用いた画像意味抽出とランク付け手法を提案し,質問の目的に基づいてセマンティック情報を優先順位付けする。
実験の結果,本フレームワークはAWGNチャネルで49%,Rayleighチャネルで59%の精度で解答精度を向上することがわかった。
論文 参考訳（メタデータ） (2024-11-03T12:01:18Z) - VLFeedback: A Large-Scale AI Feedback Dataset for Large Vision-Language Models Alignment [55.7956150385255]
本稿では,視覚言語モデルの整合性向上のためのAIフィードバックの有効性について検討する。
最初の大規模視覚言語フィードバックデータセットであるVLFeedbackを紹介する。
我々は、VLFeedback上で直接選好最適化によって微調整されたLVLMであるSilkieを訓練する。
論文 参考訳（メタデータ） (2024-10-12T07:56:47Z) - GAIA: Rethinking Action Quality Assessment for AI-Generated Videos [56.047773400426486]
アクション品質アセスメント(AQA)アルゴリズムは、主に実際の特定のシナリオからのアクションに焦点を当て、規範的なアクション機能で事前訓練されている。
我々は,新たな因果推論の観点から大規模主観評価を行うことにより,GAIAを構築した。
その結果、従来のAQA手法、最近のT2Vベンチマークにおけるアクション関連指標、メインストリームビデオ品質手法は、それぞれ0.454、0.191、0.519のSRCCで性能が良くないことがわかった。
論文 参考訳（メタデータ） (2024-06-10T08:18:07Z) - AIGCOIQA2024: Perceptual Quality Assessment of AI Generated Omnidirectional Images [70.42666704072964]
我々はAI生成の全方位画像IQAデータベースAIIGCOIQA2024を構築した。
3つの視点から人間の視覚的嗜好を評価するために、主観的IQA実験を行った。
我々は,データベース上での最先端IQAモデルの性能を評価するためのベンチマーク実験を行った。
論文 参考訳（メタデータ） (2024-04-01T10:08:23Z) - A Low-Overhead Incorporation-Extrapolation based Few-Shot CSI Feedback Framework for Massive MIMO Systems [45.22132581755417]
周波数分割二重化(FDD)大規模マルチインプット多重出力(MIMO)システムにおけるダウンリンクプリコーディングには、正確なチャネル状態情報(CSI)が不可欠である。
しかし,アンテナやサブキャリアの規模が大きくなると,ユーザ機器(UE)からのフィードバックによるCSI取得が困難になる。
CSIを圧縮するために深層学習に基づく手法が登場したが、これらの方法はかなりの収集サンプルを必要とする。
既存のディープラーニング手法は、フル次元のCSIフィードバックに重点を置いているため、フィードバックオーバーヘッドが劇的に増加することにも悩まされる。
低オーバーヘッド抽出に基づくFew-Shot CSIを提案する。
論文 参考訳（メタデータ） (2023-12-07T06:01:47Z) - Artificial Intelligence in 3GPP 5G-Advanced: A Survey [1.4670851095242448]
テレコムにおけるAIの普及を広く達成するためには、標準化が業界調整に不可欠である。
この記事では,5G-AdvancedにおけるAIに関する3Xiaolongの研究における技術の現状を概観する。
論文 参考訳（メタデータ） (2023-05-08T23:32:23Z) - Overview of Deep Learning-based CSI Feedback in Massive MIMO Systems [77.0986534024972]
ディープラーニング(DL)ベースのCSIフィードバックは、DLベースのオートエンコーダによるCSI圧縮と再構築を指し、フィードバックオーバーヘッドを大幅に削減することができる。
その焦点は、CSIフィードバックの正確性を改善するために、新しいニューラルネットワークアーキテクチャとコミュニケーション専門家の知識の利用である。
論文 参考訳（メタデータ） (2022-06-29T03:28:57Z) - Deep Learning-based Massive MIMO CSI Acquisition for 5G Evolution and 6G [8.731696607553346]
5G NRネットワークにおけるCSI(AI4CSI)のための2つの人工知能の実装手法を提案する。
これらのスキームはスペクトル効率(SE)、フィードバックオーバーヘッド、計算複雑性の観点から評価される。
航空インターフェース設計に大きな影響を与えることを考えると、第6世代(6G)ネットワークの候補技術となるだろう。
論文 参考訳（メタデータ） (2022-06-10T09:45:25Z) - An Explainable Artificial Intelligence Framework for Quality-Aware IoE
Service Delivery [17.146527100570285]
本稿では、品質を意識したIoEサービス配信のための説明可能な人工知能(XAI)フレームワークを提供する。
XAI対応品質対応IoEサービス配信アルゴリズムは,アンサンブルベースの回帰モデルを用いて実装されている。
実験の結果, アップリンク改善率はAdaBoostとExtra Treesでそれぞれ42.43%, 16.32%となった。
論文 参考訳（メタデータ） (2022-01-26T08:59:00Z) - Deep Learning-based Implicit CSI Feedback in Massive MIMO [68.81204537021821]
ニューラルネットワーク(NN)を用いて,プリコーディング行列インジケータ(PMI)符号化とデコードモジュールを置き換える,低オーバヘッド特性を継承するDLベースの暗黙的フィードバックアーキテクチャを提案する。
1つのリソースブロック(RB)では、2つのアンテナ構成下のタイプIコードブックと比較して25.0%と40.0%のオーバーヘッドを節約できる。
論文 参考訳（メタデータ） (2021-05-21T02:43:02Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。