論文の概要: Plug-and-Play AMC: Context Is King in Training-Free, Open-Set Modulation with LLMs

• arxiv url: http://arxiv.org/abs/2505.03112v1
• Date: Tue, 06 May 2025 02:07:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-07 18:50:11.162284
• Title: Plug-and-Play AMC: Context Is King in Training-Free, Open-Set Modulation with LLMs
• Title（参考訳）: Plug-and-Play AMC: LLMによるトレーニングフリーでオープンセットの変調におけるコンテキストの優位性
• Authors: Mohammad Rostami, Atik Faysal, Reihaneh Gh. Roshan, Huaxia Wang, Nikhil Muralidhar, Yu-Dong Yao,
• Abstract要約: 自動変調分類(AMC)は、効率的なスペクトル管理とロバストな無線通信において重要である。 本稿では,従来の信号処理技術と大規模言語モデルを統合する革新的なフレームワークを提案する。 この研究は、次世代無線ネットワークにおけるスケーラブルで解釈可能で汎用的な信号分類システムの基礎を築いた。
• 参考スコア（独自算出の注目度）: 22.990537822143907
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Automatic Modulation Classification (AMC) is critical for efficient spectrum management and robust wireless communications. However, AMC remains challenging due to the complex interplay of signal interference and noise. In this work, we propose an innovative framework that integrates traditional signal processing techniques with Large-Language Models (LLMs) to address AMC. Our approach leverages higher-order statistics and cumulant estimation to convert quantitative signal features into structured natural language prompts. By incorporating exemplar contexts into these prompts, our method exploits the LLM's inherent familiarity with classical signal processing, enabling effective one-shot classification without additional training or preprocessing (e.g., denoising). Experimental evaluations on synthetically generated datasets, spanning both noiseless and noisy conditions, demonstrate that our framework achieves competitive performance across diverse modulation schemes and Signal-to-Noise Ratios (SNRs). Moreover, our approach paves the way for robust foundation models in wireless communications across varying channel conditions, significantly reducing the expense associated with developing channel-specific models. This work lays the foundation for scalable, interpretable, and versatile signal classification systems in next-generation wireless networks. The source code is available at https://github.com/RU-SIT/context-is-king
• Abstract（参考訳）: 自動変調分類(AMC)は、効率的なスペクトル管理とロバストな無線通信において重要である。 しかし、信号干渉とノイズの複雑な相互作用のため、AMCは依然として困難である。 本研究では,従来の信号処理技術とLarge-Language Models (LLM)を統合し,AMCに対処する革新的なフレームワークを提案する。 提案手法は,高次統計量と累積推定を利用して,定量的信号の特徴を構造化された自然言語のプロンプトに変換する。 これらのプロンプトに経験的コンテキストを組み込むことで,従来の信号処理とLLM固有の習熟性を生かし,学習や事前処理を伴わずに効果的なワンショット分類を実現している(例えば,デノイング)。 合成データセットにおいて,ノイズのない条件とノイズの多い条件の両方にまたがる実験により,多種多様な変調スキームとSNR(Signal-to-Noise Ratios)の競合性能を実現することを示す。 さらに,提案手法は,様々なチャネル条件をまたいだ無線通信において,ロバストな基礎モデルを実現する方法であり,チャネル固有モデルの開発に伴うコストを大幅に削減する。 この研究は、次世代無線ネットワークにおけるスケーラブルで解釈可能で汎用的な信号分類システムの基礎を築いた。 ソースコードはhttps://github.com/RU-SIT/context-is-kingで入手できる。

関連論文リスト

• Generative Video Semantic Communication via Multimodal Semantic Fusion with Large Model [55.71885688565501]
  本稿では,高品質な映像再構成を実現するために,意味情報を抽出し,送信するスケーラブルなビデオ意味コミュニケーションフレームワークを提案する。 具体的には、送信機では、それぞれテキストと構造的意味論として機能するソースビデオから記述と他の条件信号を抽出する。 受信機では、拡散に基づくGenAI大モデルを用いて、ビデオの再構成のために複数のモーダルのセマンティクスを融合させる。
  論文  参考訳（メタデータ） (2025-02-19T15:59:07Z)
• Vaccinating Federated Learning for Robust Modulation Classification in Distributed Wireless Networks [0.0]
  雑音レベルの異なる信号間の一般化性向上を目的とした新しいAMCモデルであるFedVaccineを提案する。 FedVaccineは、分割学習戦略を用いることで、既存のFLベースのAMCモデルの線形集約の限界を克服する。 これらの結果は、実用的な無線ネットワーク環境におけるAMCシステムの信頼性と性能を高めるためのFedVaccineの可能性を浮き彫りにした。
  論文  参考訳（メタデータ） (2024-10-16T17:48:47Z)
• Semantic Successive Refinement: A Generative AI-aided Semantic Communication Framework [27.524671767937512]
  本稿では,単一ユーザシナリオを対象とした新しいジェネレーティブAIセマンティックコミュニケーション(GSC)システムを提案する。 送信側では、Swin Transformerをベースとしたジョイントソースチャネル符号化機構を用いて、効率的なセマンティック特徴抽出を行う。 受信側では、高度な拡散モデル(DM)が劣化した信号から高品質な画像を再構成し、知覚の詳細を高める。
  論文  参考訳（メタデータ） (2024-07-31T06:08:51Z)
• MoE-AMC: Enhancing Automatic Modulation Classification Performance Using Mixture-of-Experts [2.6764607949560593]
  MoE-AMCは、Mixture-of-Experts (MoE)ベースの新しいモデルで、AMC(Automatic Modulation Classification)にバランスよく対処するために開発された。 MoE-AMCは低SNR信号を扱うLSRMと高SNR信号を扱うHSRMの強度をシームレスに結合する。 実験の結果、MoE-AMCはSNRレベルによって71.76%の平均的な分類精度を達成し、以前のSOTAモデルの性能を10%近く上回った。
  論文  参考訳（メタデータ） (2023-12-04T19:31:15Z)
• Large AI Model Empowered Multimodal Semantic Communications [48.73159237649128]
  本稿では,Large AI Model-based Multimodal SC (LAMMSC) フレームワークを提案する。 まず、条件付きマルチモーダルアライメント(MMA)を提案し、マルチモーダルデータと非モーダルデータ間の変換を可能にする。 次に、パーソナライズされたLLMベースの知識ベース(LKB)を提案し、ユーザがパーソナライズされたセマンティック抽出やリカバリを行うことができる。 最後に,CGE(Generative Adversarial Network-based Channel Estimation)を用いて,無線チャネルの状態情報を推定する。
  論文  参考訳（メタデータ） (2023-09-03T19:24:34Z)
• Causal Semantic Communication for Digital Twins: A Generalizable Imitation Learning Approach [74.25870052841226]
  デジタルツイン(DT)は、物理世界の仮想表現と通信(例えば6G)、コンピュータ、人工知能(AI)技術を活用して、多くの接続されたインテリジェンスサービスを実現する。 無線システムは、厳密な通信制約下での情報意思決定を容易にするために意味コミュニケーション(SC)のパラダイムを利用することができる。 DTベースの無線システムでは,因果意味通信(CSC)と呼ばれる新しいフレームワークが提案されている。
  論文  参考訳（メタデータ） (2023-04-25T00:15:00Z)
• AMC-Net: An Effective Network for Automatic Modulation Classification [22.871024969842335]
  本稿では,マルチスケールかつ効率的な特徴抽出を行いながら,周波数領域の入力信号をノイズ化することで認識を改善する新しいAMC-Netを提案する。 2つの代表的なデータセットの実験により、我々のモデルは、現在の方法よりも効率と効率が良いことを示した。
  論文  参考訳（メタデータ） (2023-04-02T04:26:30Z)
• Model-based Deep Learning Receiver Design for Rate-Splitting Multiple Access [65.21117658030235]
  本研究では,モデルベース深層学習(MBDL)に基づく実用的なRSMA受信機の設計を提案する。 MBDL受信機は、符号なしシンボル誤り率(SER)、リンクレベルシミュレーション(LLS)によるスループット性能、平均トレーニングオーバーヘッドの観点から評価される。 その結果,MBDLはCSIRが不完全なSIC受信機よりも優れていた。
  論文  参考訳（メタデータ） (2022-05-02T12:23:55Z)
• Data-Driven Symbol Detection via Model-Based Machine Learning [117.58188185409904]
  機械学習(ML)とモデルベースアルゴリズムを組み合わせた,検出設計のシンボル化を目的とした,データ駆動型フレームワークについてレビューする。 このハイブリッドアプローチでは、よく知られたチャネルモデルに基づくアルゴリズムをMLベースのアルゴリズムで拡張し、チャネルモデル依存性を除去する。 提案手法は, 正確なチャネル入出力統計関係を知らなくても, モデルベースアルゴリズムのほぼ最適性能が得られることを示す。
  論文  参考訳（メタデータ） (2020-02-14T06:58:27Z)

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。