論文の概要: Spectral Temporal Graph Neural Network for massive MIMO CSI Prediction

• arxiv url: http://arxiv.org/abs/2312.02159v1
• Date: Sun, 10 Sep 2023 04:13:43 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-15 15:11:26.580237
• Title: Spectral Temporal Graph Neural Network for massive MIMO CSI Prediction
• Title（参考訳）: スペクトル時間グラフニューラルネットワークによる大規模mimo csi予測
• Authors: Sharan Mourya, Pavan Reddy, SaiDhiraj Amuru, Kiran Kumar Kuchi
• Abstract要約: このレターは先駆的なアプローチであるSTEM GNN(Spectral-Temporal Graph Neural Network)を紹介する。 チャネル状態情報(CSI)予測のためのSTEM GNNアプローチと従来のリカレントニューラルネットワーク(RNN)モデルとLong Short-Term Memory(LSTM)モデルを比較した。 以上の結果から,STEM GNNによる通信システム全体の性能向上が示唆された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In the realm of 5G communication systems, the accuracy of Channel State Information (CSI) prediction is vital for optimizing performance. This letter introduces a pioneering approach: the Spectral-Temporal Graph Neural Network (STEM GNN), which fuses spatial relationships and temporal dynamics of the wireless channel using the Graph Fourier Transform. We compare the STEM GNN approach with conventional Recurrent Neural Network (RNN) and Long Short-Term Memory (LSTM) models for CSI prediction. Our findings reveal a significant enhancement in overall communication system performance through STEM GNNs. For instance, in one scenario, STEM GNN achieves a sum rate of 5.009 bps/Hz which is $11.9\%$ higher than that of LSTM and $35\%$ higher than that of RNN. The spectral-temporal analysis capabilities of STEM GNNs capture intricate patterns often overlooked by traditional models, offering improvements in beamforming, interference mitigation, and ultra-reliable low-latency communication (URLLC).
• Abstract（参考訳）: 5G通信システムでは,チャネル状態情報(CSI)予測の精度が性能の最適化に不可欠である。 グラフフーリエ変換を用いて、無線チャネルの空間的関係と時間的ダイナミクスを融合するスペクトル-テンポラルグラフニューラルネットワーク(STEM GNN)の先駆的なアプローチを紹介する。 csi予測のためのstem gnnアプローチと従来のrecurrent neural network(rnn)およびlong short-term memory(lstm)モデルを比較した。 本研究は,STEM GNNによる通信システム全体の性能向上を示すものである。 例えば、1つのシナリオでは、STEM GNNは5.009 bps/Hzの和率を達成しており、LSTMよりも11.9 %、RNNよりは35 %高い。 STEM GNNのスペクトル時間解析機能は、しばしば従来のモデルで見落とされ、ビームフォーミング、干渉緩和、超信頼性の低レイテンシ通信(URLLC)の改善を提供する。

関連論文リスト

• Scalable Mechanistic Neural Networks [52.28945097811129]
  長い時間的シーケンスを含む科学機械学習応用のための拡張ニューラルネットワークフレームワークを提案する。 元のメカニスティックニューラルネットワーク (MNN) を再構成することにより、計算時間と空間の複雑さを、それぞれ、列長に関して立方体と二次体から線形へと減少させる。 大規模な実験により、S-MNNは元のMNNと精度で一致し、計算資源を大幅に削減した。
  論文  参考訳（メタデータ） (2024-10-08T14:27:28Z)
• Signal-SGN: A Spiking Graph Convolutional Network for Skeletal Action Recognition via Learning Temporal-Frequency Dynamics [2.9578022754506605]
  骨格に基づく行動認識では、グラフ畳み込みネットワーク(GCN)はその複雑さと高エネルギー消費のために制限に直面している。 本稿では、骨格配列の時間次元をスパイキング時間ステップとして活用するSignal-SGN(Spiking Graph Convolutional Network)を提案する。 実験により,提案モデルが既存のSNN法を精度で上回るだけでなく,学習時の計算記憶コストも低減できることがわかった。
  論文  参考訳（メタデータ） (2024-08-03T07:47:16Z)
• Adaptive Least Mean Squares Graph Neural Networks and Online Graph Signal Estimation [3.6448362316632115]
  時間変化グラフ信号のオンライン推定のための効率的なニューラルネットワークアーキテクチャを提案する。 Adaptive Least Mean Squares Graph Neural Networks (LMS-GNN)は、適応グラフフィルタとグラフニューラルネットワーク(GNN)の組み合わせである。 実世界の温度データを用いて実験したところ,我々のLMS-GNNはグラフベースの手法よりも正確なオンライン予測を実現していることがわかった。
  論文  参考訳（メタデータ） (2024-01-27T05:47:12Z)
• A Survey on Graph Neural Networks for Time Series: Forecasting, Classification, Imputation, and Anomaly Detection [98.41798478488101]
  時系列分析は、利用可能なデータに暗黙的な情報の富を解放するために不可欠である。 グラフニューラルネットワーク(GNN)の最近の進歩は、時系列解析のためのGNNベースのアプローチの急増につながっている。 この調査は、GNNベースの時系列研究に関する膨大な知識をまとめ、基礎、実践的応用、時系列分析のためのグラフニューラルネットワークの機会を強調します。
  論文  参考訳（メタデータ） (2023-07-07T08:05:03Z)
• Graph Neural Networks over the Air for Decentralized Tasks in Wireless Networks [6.007238205454907]
  本稿では,大気上のグラフニューラルネットワークの性能に及ぼすチャネル障害の影響について検討する(AirGNN)。 AirGNNは、ランダムな通信グラフ上でグラフ信号をシフトするグラフ畳み込み操作を変更し、チャネルのフェージングとノイズを考慮している。 分散型ソースローカライゼーションとマルチロボット・フロッキングの実験は、無線通信チャネル上でのAirGNNの性能に優れていた。
  論文  参考訳（メタデータ） (2023-02-16T17:40:23Z)
• Spectral Cross-Domain Neural Network with Soft-adaptive Threshold Spectral Enhancement [12.837935554250409]
  スペクトルクロスドメインニューラルネットワーク(SCDNN)という新しいディープラーニングモデルを提案する。 同時に、ニューラルネットワーク内のスペクトル領域と時間領域に埋め込まれたキー情報を明らかにする。 提案するSCDNNは、パブリックECGデータベースの textitPTB-XL と textitMIT-BIH に実装されたいくつかの分類タスクでテストされる。
  論文  参考訳（メタデータ） (2023-01-10T14:23:43Z)
• Space-Time Graph Neural Networks with Stochastic Graph Perturbations [100.31591011966603]
  時空間グラフニューラルネットワーク(ST-GNN)は、時間変動データの効率的なグラフ表現を学習する。 本稿では,ST-GNNの特性を再検討し,安定なグラフ安定性を示す。 解析の結果,ST-GNNは時間変化グラフ上での移動学習に適していることが示唆された。
  論文  参考訳（メタデータ） (2022-10-28T16:59:51Z)
• Simple and Efficient Heterogeneous Graph Neural Network [55.56564522532328]
  不均一グラフニューラルネットワーク(HGNN)は、不均一グラフの豊富な構造的および意味的な情報をノード表現に埋め込む強力な能力を持つ。 既存のHGNNは、同種グラフ上のグラフニューラルネットワーク(GNN)から多くのメカニズム、特に注意機構と多層構造を継承する。 本稿では,これらのメカニズムを詳細に検討し,簡便かつ効率的なヘテロジニアスグラフニューラルネットワーク(SeHGNN)を提案する。
  論文  参考訳（メタデータ） (2022-07-06T10:01:46Z)
• Two-Timescale End-to-End Learning for Channel Acquisition and Hybrid Precoding [94.40747235081466]
  本研究では,ミリ波(mmWave)大規模マルチインプット多重出力(MIMO)システムのためのエンドツーエンドの深層学習に基づくジョイントトランスシーバ設計アルゴリズムを提案する。 我々は受信したパイロットを受信機でフィードバックビットにマッピングし、さらに送信機でハイブリッドプリコーダにフィードバックビットをマッピングするDNNアーキテクチャを開発した。
  論文  参考訳（メタデータ） (2021-10-22T20:49:02Z)
• Space-Time Graph Neural Networks [104.55175325870195]
  本研究では、時空間グラフニューラルネットワーク(ST-GNN)を導入し、時間変動ネットワークデータの時空間トポロジを共同処理する。 解析の結果,システムのネットワークトポロジと時間進化の変動はST-GNNの性能に大きく影響しないことがわかった。
  論文  参考訳（メタデータ） (2021-10-06T16:08:44Z)
• Spatio-Temporal Neural Network for Fitting and Forecasting COVID-19 [1.1129587851149594]
  我々は、2020年の世界的な新型コロナウイルス感染拡大を予測するため、時空間ニューラルネットワーク(STNN)を構築した。 拡張空間状態STNN(STNN-A)と入力ゲートSTNN(STNN-I)の2つの改良されたSTNNアーキテクチャを提案する。 数値シミュレーションにより、STNNモデルはより正確なフィッティングと予測を提供し、空間データと時間データの両方を扱うことにより、他の多くのモデルよりも優れていることが示された。
  論文  参考訳（メタデータ） (2021-03-22T13:59:14Z)

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。