論文の概要: Revolution of Wireless Signal Recognition for 6G: Recent Advances, Challenges and Future Directions

• arxiv url: http://arxiv.org/abs/2503.08091v1
• Date: Tue, 11 Mar 2025 06:47:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-12 15:41:48.937280
• Title: Revolution of Wireless Signal Recognition for 6G: Recent Advances, Challenges and Future Directions
• Title（参考訳）: 6Gの無線信号認識の革命 : 最近の進歩, 課題, 今後の方向性
• Authors: Hao Zhang, Fuhui Zhou, Hongyang Du, Qihui Wu, Chau Yuen,
• Abstract要約: 無線信号認識(WSR)は,次の6世代(6G)無線通信ネットワークにおいて,インテリジェント通信とスペクトル共有において重要な技術である。 WSRは、ネットワーク性能と効率の向上、サービス品質の改善(QoS)、ネットワークセキュリティと信頼性の向上に利用することができる。 WSRは、信号インターセプション、信号競合、信号誘拐といった軍事用途に応用できる。
• 参考スコア（独自算出の注目度）: 37.95319215985794
• License:
• Abstract: Wireless signal recognition (WSR) is a crucial technique for intelligent communications and spectrum sharing in the next six-generation (6G) wireless communication networks. It can be utilized to enhance network performance and efficiency, improve quality of service (QoS), and improve network security and reliability. Additionally, WSR can be applied for military applications such as signal interception, signal race, and signal abduction. In the past decades, great efforts have been made for the research of WSR. Earlier works mainly focus on model-based methods, including likelihood-based (LB) and feature-based (FB) methods, which have taken the leading position for many years. With the emergence of artificial intelligence (AI), intelligent methods including machine learning-based (ML-based) and deep learning-based (DL-based) methods have been developed to extract the features of the received signals and perform the classification. In this work, we provide a comprehensive review of WSR from the view of applications, main tasks, recent advances, datasets and evaluation metrics, challenges, and future directions. Specifically, intelligent WSR methods are introduced from the perspective of model, data, learning and implementation. Moreover, we analyze the challenges for WSR from the view of complex, dynamic, and open 6G wireless environments and discuss the future directions for WSR. This survey is expected to provide a comprehensive overview of the state-of-the-art WSR techniques and inspire new research directions for WSR in 6G networks.
• Abstract（参考訳）: 無線信号認識(WSR)は,次の6世代(6G)無線通信ネットワークにおいて,インテリジェント通信とスペクトル共有において重要な技術である。 ネットワーク性能と効率の向上、サービス品質の向上(QoS)、ネットワークセキュリティと信頼性の向上に利用することができる。 加えて、WSRは、信号インターセプション、信号競合、信号誘拐といった軍事用途にも適用できる。 過去何十年もの間、WSRの研究に多大な努力を払ってきた。 初期の研究は主にモデルに基づく手法に重点を置いており、例えば、可能性ベース(LB)や特徴ベース(FB)が長年にわたって中心的な地位を占めてきた。 人工知能(AI)の出現に伴い、機械学習(MLベース)やディープラーニング(DLベース)といったインテリジェントな手法が開発され、受信した信号の特徴を抽出し、分類を行う。 本稿では,アプリケーション,主要なタスク,最近の進歩,データセットと評価指標,課題,今後の方向性といった観点から,WSRの包括的なレビューを行う。 具体的には、モデル、データ、学習、実装の観点から、インテリジェントなWSRメソッドを導入します。 さらに、複雑でダイナミックでオープンな6G無線環境の観点からWSRの課題を分析し、WSRの将来的な方向性について議論する。 この調査は、最先端のWSR技術の概要を概観し、6GネットワークにおけるWSRの新たな研究方向性を示唆するものと期待されている。

関連論文リスト

• Foundation Model Based Native AI Framework in 6G with Cloud-Edge-End Collaboration [56.330705072736166]
  基礎モデルに基づく6GネイティブAIフレームワークを提案し、意図認識型PFMのカスタマイズアプローチを提供し、新しいクラウド-エッジコラボレーションパラダイムを概説する。 実例として,無線通信システムにおける最大和率を達成するために,このフレームワークをオーケストレーションに適用する。
  論文  参考訳（メタデータ） (2023-10-26T15:19:40Z)
• Towards Scalable Wireless Federated Learning: Challenges and Solutions [40.68297639420033]
  効果的な分散機械学習フレームワークとして、フェデレートラーニング(FL)が登場します。 本稿では,ネットワーク設計と資源オーケストレーションの両面から,スケーラブルな無線FLを実現する上での課題と解決策について論じる。
  論文  参考訳（メタデータ） (2023-10-08T08:55:03Z)
• Deep Reinforcement Learning-Aided RAN Slicing Enforcement for B5G Latency Sensitive Services [10.718353079920007]
  本論文では、無線アクセスネットワークスライスと無線リソース管理に対処するために、ネットワークの端でDeep Reinforcement Learningを利用する新しいアーキテクチャを提案する。 提案手法の有効性を,自律走行型ユースケースを考慮したコンピュータシミュレーションにより検討した。
  論文  参考訳（メタデータ） (2021-03-18T14:18:34Z)
• Towards Self-learning Edge Intelligence in 6G [143.1821636135413]
  エッジインテリジェンス(エッジインテリジェンス、Edge Intelligence、別名エッジネイティブ人工知能(AI))は、AI、通信ネットワーク、モバイルエッジコンピューティングのシームレスな統合に焦点を当てた新興技術フレームワークである。 本稿では、6GにおけるエッジネイティブAIの重要な要件と課題を特定する。
  論文  参考訳（メタデータ） (2020-10-01T02:16:40Z)
• A Tutorial on Ultra-Reliable and Low-Latency Communications in 6G: Integrating Domain Knowledge into Deep Learning [115.75967665222635]
  超信頼性・低レイテンシ通信(URLLC)は、様々な新しいミッションクリティカルなアプリケーションの開発の中心となる。 ディープラーニングアルゴリズムは、将来の6GネットワークでURLLCを実現する技術を開発するための有望な方法と考えられている。 このチュートリアルでは、URLLCのさまざまなディープラーニングアルゴリズムにドメイン知識を組み込む方法について説明する。
  論文  参考訳（メタデータ） (2020-09-13T14:53:01Z)
• Intelligent Radio Signal Processing: A Survey [23.399432997982988]
  本調査では、変調分類、信号検出、ビームフォーミング、チャネル推定を含む、無線物理層のための4つのインテリジェント信号処理トピックについて述べる。 必要な背景を提供するため、まず、機械学習、ディープラーニング、フェデレーション学習などのAI技術の概要を紹介する。 我々は、インテリジェント無線信号処理分野における多くの研究課題と今後の方向性を強調した。
  論文  参考訳（メタデータ） (2020-08-19T05:06:31Z)
• Intelligent Reflecting Surface Aided Wireless Communications: A Tutorial [64.77665786141166]
  インテリジェント反射面(Intelligent Reflecting Surface、IRS)は、無線ネットワークにおける電波伝搬を工学する技術である。 IRSは無線チャネルを動的に変更して通信性能を向上させることができる。 その大きな可能性にもかかわらず、IRSは無線ネットワークに効率的に統合されるための新たな課題に直面している。
  論文  参考訳（メタデータ） (2020-07-06T13:59:09Z)
• Deep Learning for Ultra-Reliable and Low-Latency Communications in 6G Networks [84.2155885234293]
  まず,データ駆動型教師付き深層学習と深部強化学習をURLLCに適用する方法を概説する。 このようなオープンな問題に対処するために、デバイスインテリジェンス、エッジインテリジェンス、およびURLLCのためのクラウドインテリジェンスを可能にするマルチレベルアーキテクチャを開発した。
  論文  参考訳（メタデータ） (2020-02-22T14:38:11Z)

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。