論文の概要: IQFM A Wireless Foundational Model for I/Q Streams in AI-Native 6G

• arxiv url: http://arxiv.org/abs/2506.06718v1
• Date: Sat, 07 Jun 2025 09:01:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-10 16:33:10.449348
• Title: IQFM A Wireless Foundational Model for I/Q Streams in AI-Native 6G
• Title（参考訳）: IQFM - AI-Native 6GにおけるI/Qストリームの無線基礎モデル
• Authors: Omar Mashaal, Hatem Abou-Zeid,
• Abstract要約: 本稿では,無線通信における最初のI/Q信号基礎モデルであるIQFMについて述べる。 IQFMは変調分類、AoA、ビーム予測、RFフィンガープリントといった様々なタスクをサポートする。 また、タスク対応強化戦略を導入し、変換をコア拡張に分類する。
• 参考スコア（独自算出の注目度）: 7.531126877550286
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Foundational models have shown remarkable potential in natural language processing and computer vision, yet remain in their infancy in wireless communications. While a few efforts have explored image-based modalities such as channel state information (CSI) and frequency spectrograms, foundational models that operate directly on raw IQ data remain largely unexplored. This paper presents, IQFM, the first I/Q signal foundational model for wireless communications. IQFM supporting diverse tasks: modulation classification, angle-of-arrival (AoA), beam prediction, and RF fingerprinting, without heavy preprocessing or handcrafted features. We also introduce a task-aware augmentation strategy that categorizes transformations into core augmentations, such as cyclic time shifting, and task-specific augmentations. This strategy forms the basis for structured, task-dependent representation learning within a contrastive self-supervised learning (SSL) framework. Using this strategy, the lightweight encoder, pre-trained via SSL on over-the-air multi-antenna IQ data, achieves up to 99.67% and 65.45% accuracy on modulation and AoA classification, respectively, using only one labeled sample per class, outperforming supervised baselines by up to 7x and 145x. The model also generalizes to out-of-distribution tasks; when adapted to new tasks using only 500 samples per class and minimal parameter updates via LoRA, the same frozen encoder achieves 94.15% on beam prediction (vs. 89.53% supervised), 50.00% on RML2016a modulation classification (vs. 49.30%), and 96.05% on RF fingerprinting (vs. 96.64%). These results demonstrate the potential of raw IQ-based foundational models as efficient, reusable encoders for multi-task learning in AI-native 6G systems.
• Abstract（参考訳）: 基礎的なモデルは自然言語処理やコンピュータビジョンにおいて顕著な可能性を秘めているが、無線通信においてはまだ初期段階にある。 チャネル状態情報(CSI)や周波数スペクトログラムなど、画像に基づくモダリティを探求する試みはいくつかあるが、生のIQデータを直接運用する基礎モデルはほとんど探索されていない。 本稿では,無線通信における最初のI/Q信号基礎モデルIQFMについて述べる。 IQFMは変調分類、AoA、ビーム予測、RFフィンガープリントなど様々なタスクをサポートする。 また、周期的時間シフトやタスク固有の拡張といった中核的な拡張に変換を分類するタスク対応強化戦略も導入する。 この戦略は、対照的な自己教師付き学習(SSL)フレームワークの中で、構造化されたタスク依存の表現学習の基礎を形成する。 この戦略を用いて、オンザエアマルチアンテナIQデータ上でSSLを介して事前訓練された軽量エンコーダは、変調とAoA分類において最大99.67%と65.45%の精度を達成し、それぞれ1つのラベル付きサンプルを使用して、教師付きベースラインを最大7倍と145倍に向上させる。 クラス毎の500サンプルのみを使用して新しいタスクに適応し、LoRA経由で最小パラメータ更新を行うと、同じ凍結エンコーダがビーム予測で94.15%(vs.89.53%)、RML2016a変調分類で50.00%(vs.49.30%)、RF指紋で96.05%(vs.96.64%)を達成する。 これらの結果は、AIネイティブな6Gシステムにおけるマルチタスク学習のための効率的な再利用可能なエンコーダとして、生のIQベースの基盤モデルの可能性を示している。

関連論文リスト

• Prismatic Synthesis: Gradient-based Data Diversification Boosts Generalization in LLM Reasoning [77.120955854093]
  我々は,データ多様性が言語モデルにおける一般化の強力な予測因子であることを示す。 モデル誘起勾配のエントロピーを通して多様性を定量化する計量であるG-Vendiを導入する。 多様な合成データを生成するためのフレームワークであるPrismatic Synthesisを提案する。
  論文  参考訳（メタデータ） (2025-05-26T16:05:10Z)
• 6G WavesFM: A Foundation Model for Sensing, Communication, and Localization [6.70088826174291]
  本稿では,無線基礎モデル(WFM)フレームワークについて紹介する。 提案アーキテクチャでは,共有ビジョントランスフォーマー(ViT)バックボーンとタスク固有の多層パーセプトロンヘッドを組み合わせるとともに,パラメータ効率の良い微調整のためのローランド適応(LoRA)を組み込む。 我々は、統一WFMが多様なタスクをサポートし、性能と効率の両方において大きな利益をもたらすことを示す。
  論文  参考訳（メタデータ） (2025-04-18T22:51:35Z)
• End-to-End Implicit Neural Representations for Classification [57.55927378696826]
  Inlicit Neural representations (INRs) は、ニューラルネットワークパラメータの信号を符号化し、信号再構成に優れた結果を示す。 INRをベースとした分類は、CNNのようなピクセルベースの手法に比べて、依然としてかなり低性能である。 本研究は,SIRENを学習段階のスキームとともに初期化するエンド・ツー・エンドの戦略を提案する。
  論文  参考訳（メタデータ） (2025-03-23T16:02:23Z)
• Modulation Classification Through Deep Learning Using Resolution Transformed Spectrograms [3.9511559419116224]
  畳み込みニューラルネットワーク(CNN)の近代的アーキテクチャを用いた自動変調分類(AMC)手法を提案する。 我々は、受信したI/Qデータから99.61%の計算負荷削減と8倍の高速変換をもたらす分光器の分解能変換を行う。 この性能は、SqueezeNet、Resnet-50、InceptionResnet-V2、Inception-V3、VGG-16、Densenet-201といった既存のCNNモデルで評価される。
  論文  参考訳（メタデータ） (2023-06-06T16:14:15Z)
• Communication-Efficient Diffusion Strategy for Performance Improvement of Federated Learning with Non-IID Data [10.994226932599403]
  非IIDデータを用いたグローバルモデルの性能を最大化するために,機械学習モデル(FedDif)の新たな拡散戦略を提案する。 FedDifはトップ1テストの精度を最大34.89%改善し、通信コストを最大63.49%まで14.6%削減した。
  論文  参考訳（メタデータ） (2022-07-15T14:28:41Z)
• Self-Supervised RF Signal Representation Learning for NextG Signal Classification with Deep Learning [5.624291722263331]
  自己教師付き学習は、無線周波数(RF)信号自体から有用な表現を学習することを可能にする。 自己教師型学習による信号表現の学習により,AMRのサンプル効率(精度向上に必要なラベル付きサンプル数)を大幅に向上できることを示す。
  論文  参考訳（メタデータ） (2022-07-07T02:07:03Z)
• Robust Semi-supervised Federated Learning for Images Automatic Recognition in Internet of Drones [57.468730437381076]
  プライバシー保護型UAV画像認識のための半教師付きフェデレートラーニング(SSFL)フレームワークを提案する。 異なるカメラモジュールを使用したUAVによって収集されたローカルデータの数、特徴、分布には大きな違いがある。 本稿では,クライアントがトレーニングに参加する頻度,すなわちFedFreqアグリゲーションルールに基づくアグリゲーションルールを提案する。
  論文  参考訳（メタデータ） (2022-01-03T16:49:33Z)
• Self-Supervised Pre-Training for Transformer-Based Person Re-Identification [54.55281692768765]
  トランスフォーマーに基づく教師付き事前訓練は、人物再識別(ReID)において大きなパフォーマンスを達成する ImageNetとReIDデータセットのドメインギャップのため、通常、パフォーマンスを高めるために、より大きなトレーニング済みデータセットが必要です。 この研究は、データとモデル構造の観点から、事前トレーニングデータセットとReIDデータセットのギャップを軽減することを目的としている。
  論文  参考訳（メタデータ） (2021-11-23T18:59:08Z)
• Learning to Perturb Word Embeddings for Out-of-distribution QA [55.103586220757464]
  本論文では,入力問題と文脈の単語埋め込みを意味論を変化させることなく学習するノイズ発生器に基づく簡便かつ効果的なDA法を提案する。 ひとつのソースデータセットに,5つの異なるターゲットドメインに埋め込むことで,トレーニングされたQAモデルのパフォーマンスを検証する。 特に、私たちのトレーニングを受けたモデルは、240K以上の人工的なQAペアでトレーニングされたモデルよりも優れています。
  論文  参考訳（メタデータ） (2021-05-06T14:12:26Z)
• Meta-Generating Deep Attentive Metric for Few-shot Classification [53.07108067253006]
  本稿では,新しい数ショット学習タスクのための特定のメトリックを生成するための,新しい深度メタジェネレーション手法を提案する。 本研究では,各タスクの識別基準を生成するのに十分なフレキシブルな3層深い注意ネットワークを用いて,メトリクスを構造化する。 特に挑戦的なケースでは、最先端の競合他社よりも驚くほどパフォーマンスが向上しています。
  論文  参考訳（メタデータ） (2020-12-03T02:07:43Z)
• Frequency-based Automated Modulation Classification in the Presence of Adversaries [17.930854969511046]
  本稿では、転送可能な対角干渉に耐えられるディープラーニングモデルからなる新しい受信アーキテクチャを提案する。 本研究では、リカレントニューラルネットワーク(RNN)では30%以上、畳み込みニューラルネットワーク(CNN)では50%以上の性能向上を示す。
  論文  参考訳（メタデータ） (2020-11-02T17:12:22Z)

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。