論文の概要: CSI-BERT2: A BERT-inspired Framework for Efficient CSI Prediction and Classification in Wireless Communication and Sensing

• arxiv url: http://arxiv.org/abs/2412.06861v2
• Date: Sun, 03 Aug 2025 08:00:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-05 14:07:55.779506
• Title: CSI-BERT2: A BERT-inspired Framework for Efficient CSI Prediction and Classification in Wireless Communication and Sensing
• Title（参考訳）: CSI-BERT2:無線通信・センシングにおける効率的なCSI予測と分類のためのBERTにインスパイアされたフレームワーク
• Authors: Zijian Zhao, Fanyi Meng, Zhonghao Lyu, Hang Li, Xiaoyang Li, Guangxu Zhu,
• Abstract要約: CSI予測と分類タスクのための統合フレームワークCSI-BERT2を提案する。 まず、マスク言語モデル(MLM)を用いて、不足するデータセットから一般的な特徴抽出を学習できるようにする。 また、サブキャリア表現を強化するための適応的再重み付け層(ARL)と、MLPベースの時間埋め込みモジュールを導入する。
• 参考スコア（独自算出の注目度）: 15.607497819907227
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Channel state information (CSI) is a fundamental component in both wireless communication and sensing systems, enabling critical functions such as radio resource optimization and environmental perception. In wireless sensing, data scarcity and packet loss hinder efficient model training, while in wireless communication, high-dimensional CSI matrices and short coherent times caused by high mobility present challenges in CSI estimation.To address these issues, we propose a unified framework named CSI-BERT2 for CSI prediction and classification tasks. Building on CSI-BERT, we introduce a two-stage training method that first uses a mask language model (MLM) to enable the model to learn general feature extraction from scarce datasets in an unsupervised manner, followed by fine-tuning for specific downstream tasks. Specifically, we extend MLM into a mask prediction model (MPM), which efficiently addresses the CSI prediction task. We also introduce an adaptive re-weighting layer (ARL) to enhance subcarrier representation and a multi-layer perceptron (MLP) based temporal embedding module to mitigate permutation invariance issues in time-series CSI data. This significantly improves the CSI classification performance of the original CSI-BERT model. Extensive experiments on both real-world collected and simulated datasets demonstrate that CSI-BERT2 achieves state-of-the-art performance across all tasks. Our results further show that CSI-BERT2 generalizes effectively across varying sampling rates and robustly handles discontinuous CSI sequences caused by packet loss-challenges that conventional methods fail to address.
• Abstract（参考訳）: チャネル状態情報(CSI)は無線通信とセンシングシステムの両方において基本的な要素であり、無線リソースの最適化や環境認識といった重要な機能を実現する。 無線センシング,データ不足,パケット損失は,効率的なモデルトレーニングを妨げ,無線通信では高次元CSI行列と短コヒーレント時間がCSI推定の課題であり,これらの課題に対処するために,CSI予測と分類タスクのための統合フレームワークCSI-BERT2を提案する。 CSI-BERTをベースとした2段階のトレーニング手法を導入し、まずマスク言語モデル(MLM)を用いて、教師なしの方法で希少なデータセットから一般的な特徴抽出を学習し、次いで特定の下流タスクの微調整を行う。 具体的には,MLMをマスク予測モデル(MPM)に拡張し,CSI予測タスクを効率的に処理する。 また、サブキャリア表現を強化するための適応的再重み付け層(ARL)と、時系列CSIデータにおける置換不変問題を緩和する多層パーセプトロン(MLP)ベースの時間埋め込みモジュールを導入する。 これにより、元のCSI-BERTモデルのCSI分類性能が大幅に向上する。 CSI-BERT2は、すべてのタスクで最先端のパフォーマンスを達成することを実証している。 さらに, CSI-BERT2 は, サンプリングレートの変動に対して効率よく一般化し, パケット損失に起因した不連続な CSI 配列を頑健に扱えることを示す。

関連論文リスト

• A Wireless Foundation Model for Multi-Task Prediction [50.21098141769079]
  多様な予測区間をサポートする無線ネットワークにおけるマルチタスク予測のための統合基盤モデルを提案する。 大規模データセットをトレーニングした後、提案した基礎モデルは、新しいタスクにおいて、目に見えないシナリオとゼロショットのパフォーマンスに強力な一般化を示す。
  論文  参考訳（メタデータ） (2025-07-08T12:37:55Z)
• Channel Fingerprint Construction for Massive MIMO: A Deep Conditional Generative Approach [65.47969413708344]
  CF双生児の概念を導入し、条件付き生成拡散モデル(CGDM)を設計する。 本研究では, 粗粒CFに条件付き観測された細粒CFの対数分布に対するエビデンスローバウンド(ELBO)を導出するために, 変分推論手法を用いる。 提案手法は, ベースラインと比較して, 復元性能が著しく向上していることを示す。
  論文  参考訳（メタデータ） (2025-05-12T01:36:06Z)
• A MIMO Wireless Channel Foundation Model via CIR-CSI Consistency [19.658024410165112]
  本稿では,チャネル状態情報(CSI)とチャネルインパルス応答(CIR)を自然に整列したマルチモーダルデータとして扱う。 CIRとCSIの両方の結合表現を効果的にキャプチャすることで、CSI-CLIPはシナリオ間で顕著な適応性を示す。
  論文  参考訳（メタデータ） (2025-02-17T16:13:40Z)
• Study on Downlink CSI compression: Are Neural Networks the Only Solution? [1.0305984157213843]
  大量多入力多出力(MIMO)システムにより、ダウンリンク(DL)における高いデータレートを実現する 高いDLデータレートは、空間多重化とビームフォーミングの効果的な実装によって達成される。 周波数分割二重化(FDD)システムでは、DLチャネル状態情報(CSI)をユーザ機器(UE)からgNBに送信する必要がある。 オーバヘッド問題に対処するため、自動エンコーダを用いたAI/ML手法が検討され、UEのエンコーダニューラルネットワークモデルがCSIを圧縮し、gNBのデコーダニューラルネットワークモデルがそれを再構成する。
  論文  参考訳（メタデータ） (2025-02-10T08:00:14Z)
• Large Models Enabled Ubiquitous Wireless Sensing [0.33993877661368754]
  CSI推定のための既存の手法を概観し、従来のアプローチからデータ駆動アプローチへのシフトを強調した。 本研究では,現実的な環境情報を用いた空間CSI予測のための新しいフレームワークを提案する。 この研究は、無線ネットワーク管理における革新的な戦略の道を開いた。
  論文  参考訳（メタデータ） (2024-11-27T12:11:35Z)
• Cross-domain Learning Framework for Tracking Users in RIS-aided Multi-band ISAC Systems with Sparse Labeled Data [55.70071704247794]
  統合センシング・通信(ISAC)は6G通信において重要であり、再構成可能なインテリジェントサーフェス(RIS)の急速な発展によって促進される 本稿では,複数の帯域にまたがるマルチモーダルCSIインジケータを協調的に活用し,クロスドメイン方式で追跡機能をモデル化するX2Trackフレームワークを提案する。 X2Trackの下では、トランスフォーマーニューラルネットワークと逆学習技術に基づいて、トラッキングエラーを最小限に抑える効率的なディープラーニングアルゴリズムを設計する。
  論文  参考訳（メタデータ） (2024-05-10T08:04:27Z)
• Finding the Missing Data: A BERT-inspired Approach Against Package Loss in Wireless Sensing [14.973433993744708]
  CSI回復のための変換器(BERT)からの双方向表現に基づく深層学習モデルを提案する。 CSI-BERTは、追加のデータを必要とせずに、ターゲットデータセット上で自己管理的な方法でトレーニングすることができる。 実験の結果,CSI-BERTは従来の手法に比べて誤り率と速度が低いことがわかった。
  論文  参考訳（メタデータ） (2024-03-19T03:16:52Z)
• Effective Intrusion Detection in Heterogeneous Internet-of-Things Networks via Ensemble Knowledge Distillation-based Federated Learning [52.6706505729803]
  我々は、分散化された侵入検知システムの共有モデル(IDS)を協調訓練するために、フェデレートラーニング(FL)を導入する。 FLEKDは従来のモデル融合法よりも柔軟な凝集法を実現する。 実験の結果,提案手法は,速度と性能の両面で,局所訓練と従来のFLよりも優れていた。
  論文  参考訳（メタデータ） (2024-01-22T14:16:37Z)
• Dig-CSI: A Distributed and Generative Model Assisted CSI Feedback Training Framework [6.216538343278333]
  我々はDig-CSIと呼ばれるCSIフィードバックトレーニングフレームワークを設計する。 CSIフィードバックモデルをトレーニングするためのデータセットは、各ユーザ機器(UE)がアップロードした分散ジェネレータによって生成されるが、ローカルデータのアップロードは行わない。 実験の結果、Dig-CSIは古典的な集中学習で訓練されたモデルに匹敵する性能でグローバルなCSIフィードバックモデルを訓練できることがわかった。
  論文  参考訳（メタデータ） (2023-12-10T15:55:57Z)
• 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)
• Deep Learning-Based Rate-Splitting Multiple Access for Reconfigurable Intelligent Surface-Aided Tera-Hertz Massive MIMO [56.022764337221325]
  再構成可能なインテリジェントサーフェス(RIS)は,Tera-Hertz大規模マルチインプットマルチアウトプット(MIMO)通信システムのサービスカバレッジを大幅に向上させることができる。 しかし、パイロットとフィードバック信号のオーバーヘッドが限定された正確な高次元チャネル状態情報(CSI)を得ることは困難である。 本稿では、RIS支援Tera-Hertzマルチユーザアクセスシステムのための、ディープラーニング(DL)に基づくレート分割多重アクセス方式を提案する。
  論文  参考訳（メタデータ） (2022-09-18T03:07:37Z)
• Enhancing Deep Learning Performance of Massive MIMO CSI Feedback [7.63185216082836]
  我々は,深層学習に基づくMIMO(Massive multiple-input multiple-output)CSIフィードバックアプローチを強化するために,JPTS(JPTS)を利用したジグソーパズルを提案する。 実験結果から, 室内環境および屋外環境において, 精度を平均12.07%, 7.01%向上させることができることがわかった。
  論文  参考訳（メタデータ） (2022-08-24T07:08:31Z)
• 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 Resource Allocation For Device-to-Device Communication [66.74874646973593]
  デバイス間通信(D2D)を用いたマルチチャネルセルシステムにおいて,リソース割り当ての最適化のためのフレームワークを提案する。 任意のチャネル条件に対する最適な資源配分戦略をディープニューラルネットワーク(DNN)モデルにより近似する深層学習(DL)フレームワークを提案する。 シミュレーションの結果,提案手法のリアルタイム性能を低速で実現できることが確認された。
  論文  参考訳（メタデータ） (2020-11-25T14:19:23Z)
• Learning to Continuously Optimize Wireless Resource In Episodically Dynamic Environment [55.91291559442884]
  この研究は、データ駆動型手法が動的環境で継続的に学習し、最適化できる方法論を開発する。 本稿では,無線システム学習のモデリングプロセスに連続学習の概念を構築することを提案する。 我々の設計は、異なるデータサンプル間で「一定の公正性を保証する」新しいmin-maxの定式化に基づいている。
  論文  参考訳（メタデータ） (2020-11-16T08:24:34Z)

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。