論文の概要: M2BeamLLM: Multimodal Sensing-empowered mmWave Beam Prediction with Large Language Models

• arxiv url: http://arxiv.org/abs/2506.14532v1
• Date: Tue, 17 Jun 2025 13:58:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-18 17:34:59.500083
• Title: M2BeamLLM: Multimodal Sensing-empowered mmWave Beam Prediction with Large Language Models
• Title（参考訳）: M2BeamLLM:大規模言語モデルを用いたマルチモーダルセンシング型ミリ波ビーム予測
• Authors: Can Zheng, Jiguang He, Chung G. Kang, Guofa Cai, Zitong Yu, Merouane Debbah,
• Abstract要約: M2BeamLLMは、画像、レーダー、LiDAR、GPSを含むマルチモーダルセンサーデータを統合している。 その予測性能は、知覚モダリティの多様性の向上とともに一貫して改善される。 本研究は車両間通信(V2I)mmWaveにおける効率よくインテリジェントなビーム予測ソリューションを提供する。
• 参考スコア（独自算出の注目度）: 22.009889991924453
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper introduces a novel neural network framework called M2BeamLLM for beam prediction in millimeter-wave (mmWave) massive multi-input multi-output (mMIMO) communication systems. M2BeamLLM integrates multi-modal sensor data, including images, radar, LiDAR, and GPS, leveraging the powerful reasoning capabilities of large language models (LLMs) such as GPT-2 for beam prediction. By combining sensing data encoding, multimodal alignment and fusion, and supervised fine-tuning (SFT), M2BeamLLM achieves significantly higher beam prediction accuracy and robustness, demonstrably outperforming traditional deep learning (DL) models in both standard and few-shot scenarios. Furthermore, its prediction performance consistently improves with increased diversity in sensing modalities. Our study provides an efficient and intelligent beam prediction solution for vehicle-to-infrastructure (V2I) mmWave communication systems.
• Abstract（参考訳）: 本稿では,ミリ波(mmWave)大規模マルチインプットマルチアウトプット(mMIMO)通信システムにおけるビーム予測のための,M2BeamLLMと呼ばれる新しいニューラルネットワークフレームワークを提案する。 M2BeamLLMは、画像、レーダー、LiDAR、GPSを含むマルチモーダルセンサーデータを統合し、GPT-2のような大規模言語モデル(LLM)の強力な推論能力を活用してビーム予測を行う。 センシングデータエンコーディング、マルチモーダルアライメントと融合、教師付き微調整(SFT)を組み合わせることで、M2BeamLLMはビーム予測精度とロバスト性を著しく向上させ、従来のディープラーニング(DL)モデルを標準シナリオと少数シナリオの両方で明らかに上回っている。 さらに、その予測性能は、知覚モダリティの多様性の向上とともに一貫して改善される。 本研究は車両間通信(V2I)mmWaveにおける効率よくインテリジェントなビーム予測ソリューションを提供する。

関連論文リスト

• Lightweight RGB-D Salient Object Detection from a Speed-Accuracy Tradeoff Perspective [54.91271106816616]
  現在のRGB-D法は通常、大規模なバックボーンを利用して精度を向上させるが効率を犠牲にする。 本稿では,軽量RGB-D SODのためのSATNet(Speed-Accuracy Tradeoff Network)を提案する。 深度について,高品質の深度マップを生成するための深度任意のモデルを導入する。 モダリティ融合において,モダリティ間の整合性を検討するために,DAM(Decoupled Attention Module)を提案する。 特徴表現のために,双方向の反転フレームワークを用いたDIRM (Dual Information Representation Module) を開発した。
  論文  参考訳（メタデータ） (2025-05-07T19:37:20Z)
• Resource-Efficient Beam Prediction in mmWave Communications with Multimodal Realistic Simulation Framework [57.994965436344195]
  ビームフォーミングは、方向と強度を最適化して信号伝送を改善するミリ波通信において重要な技術である。 マルチモーダルセンシング支援ビーム予測は,ユーザ位置やネットワーク条件を予測するために,さまざまなセンサデータを使用して注目されている。 その有望な可能性にもかかわらず、マルチモーダルセンシング支援ビーム予測の採用は、高い計算複雑性、高いコスト、限られたデータセットによって妨げられている。
  論文  参考訳（メタデータ） (2025-04-07T15:38:25Z)
• Multi-Modal Transformer and Reinforcement Learning-based Beam Management [10.728362890819392]
  動的ビーム指数予測のためのMMTとRLを組み合わせた2段階ビーム管理手法を提案する。 本研究では、利用可能なビーム指数を複数のグループに分割し、MMTを利用して様々なデータモダリティを処理し、最適なビーム群を予測する。 提案するフレームワークは6Gデータセットでテストされる。
  論文  参考訳（メタデータ） (2024-10-22T21:44:25Z)
• Beam Prediction based on Large Language Models [51.45077318268427]
  時系列予測タスクとしてミリ波(mmWave)ビーム予測問題を定式化する。 我々は、歴史的観測をトレーニング可能なトークン化器を用いてテキストベースの表現に変換する。 提案手法はLLMのパワーを利用して将来の最適ビームを予測する。
  論文  参考訳（メタデータ） (2024-08-16T12:40:01Z)
• WDMoE: Wireless Distributed Large Language Models with Mixture of Experts [65.57581050707738]
  我々は,Mixture of Experts (MoE)に基づく無線分散大言語モデル(LLM)パラダイムを提案する。 我々は,基地局(BS)とモバイルデバイスにゲーティングネットワークと先行するニューラルネットワーク層を配置することにより,LLM内のMoE層を分解する。 我々は、モデルの性能とエンドツーエンドのレイテンシの両方を考慮して、専門家の選択ポリシーを設計する。
  論文  参考訳（メタデータ） (2024-05-06T02:55:50Z)
• Terahertz-Band Joint Ultra-Massive MIMO Radar-Communications: Model-Based and Model-Free Hybrid Beamforming [45.257328085051974]
  テラヘルツ(THz)バンドにおける無線通信とセンシングを,有望な短距離技術として検討した。 THz通信では、伝搬損失を補償する超大質量マルチ入力マルチ出力(UM-MIMO)アンテナシステムが提案されています。 我々は,新しいgroup-of-subarrays (gosa) um-mimo構造のためのモデルベースおよびモデルフリー技術に基づくthzハイブリッドビームフォーマを開発した。
  論文  参考訳（メタデータ） (2021-02-27T21:28:34Z)
• Federated Dropout Learning for Hybrid Beamforming With Spatial Path Index Modulation In Multi-User mmWave-MIMO Systems [19.10321102094638]
  SPIM-MIMOシステムにおけるビームフォーマー設計のためのモデルベースおよびモデルフリーフレームワークを紹介します。 提案手法は,最新のSPIM-MIMO法やmmWave-MIMO法よりも高いスペクトル効率を示す。
  論文  参考訳（メタデータ） (2021-02-15T10:49:26Z)
• M2Net: Multi-modal Multi-channel Network for Overall Survival Time Prediction of Brain Tumor Patients [151.4352001822956]
  生存時間(OS)の早期かつ正確な予測は、脳腫瘍患者に対するより良い治療計画を得るのに役立つ。 既存の予測手法は、磁気共鳴(MR)ボリュームの局所的な病変領域における放射能特性に依存している。 我々は,マルチモーダルマルチチャネルネットワーク(M2Net)のエンドツーエンドOS時間予測モデルを提案する。
  論文  参考訳（メタデータ） (2020-06-01T05:21:37Z)

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。