論文の概要: A Wireless Foundation Model for Multi-Task Prediction

• arxiv url: http://arxiv.org/abs/2507.05938v1
• Date: Tue, 08 Jul 2025 12:37:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-09 16:34:38.044943
• Title: A Wireless Foundation Model for Multi-Task Prediction
• Title（参考訳）: マルチタスク予測のための無線基礎モデル
• Authors: Yucheng Sheng, Jiacheng Wang, Xingyu Zhou, Le Liang, Hao Ye, Shi Jin, Geoffrey Ye Li,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 50.21098141769079
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the growing complexity and dynamics of the mobile communication networks, accurately predicting key system parameters, such as channel state information (CSI), user location, and network traffic, has become essential for a wide range of physical (PHY)-layer and medium access control (MAC)-layer tasks. Although traditional deep learning (DL)-based methods have been widely applied to such prediction tasks, they often struggle to generalize across different scenarios and tasks. In response, we propose a unified foundation model for multi-task prediction in wireless networks that supports diverse prediction intervals. The proposed model enforces univariate decomposition to unify heterogeneous tasks, encodes granularity for interval awareness, and uses a causal Transformer backbone for accurate predictions. Additionally, we introduce a patch masking strategy during training to support arbitrary input lengths. After trained on large-scale datasets, the proposed foundation model demonstrates strong generalization to unseen scenarios and achieves zero-shot performance on new tasks that surpass traditional full-shot baselines.
• Abstract（参考訳）: 移動通信ネットワークの複雑さとダイナミクスの増大に伴い、チャネル状態情報(CSI)やユーザ位置、ネットワークトラフィックといった重要なシステムパラメータを正確に予測することは、幅広い物理層(PHY)層および中層アクセス制御(MAC)層タスクに欠かせないものとなっている。 従来のディープラーニング(DL)ベースの手法は、このような予測タスクに広く適用されているが、様々なシナリオやタスクをまたいだ一般化に苦慮することが多い。 そこで本研究では,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。 提案モデルは不均一なタスクを統一するために一変量分解を行い、間隔認識のための粒度を符号化し、因果変換器のバックボーンを用いて正確な予測を行う。 さらに、任意の入力長をサポートするために、トレーニング中にパッチマスキング戦略を導入する。 大規模なデータセットをトレーニングした後、提案された基礎モデルは、目に見えないシナリオに強力な一般化を示し、従来のフルショットベースラインを超える新しいタスクでゼロショットのパフォーマンスを達成する。

関連論文リスト

• SHIELD: Secure Hypernetworks for Incremental Expansion Learning Defense [0.0]
  本稿では、超ネットワークベースの連続学習アプローチとインターバル算術を統合する新しいアプローチであるShielDを紹介する。 本手法は,ネットワーク適応性を犠牲にすることなくセキュリティを強化し,継続的な学習における安全性の課題に対処する。
  論文  参考訳（メタデータ） (2025-06-09T21:43:56Z)
• Temporal-Spectral-Spatial Unified Remote Sensing Dense Prediction [62.376936772702905]
  リモートセンシングのための現在のディープラーニングアーキテクチャは、基本的に堅固である。 本稿では,統合モデリングのための空間時間スペクトル統一ネットワーク(STSUN)について紹介する。 STSUNは任意の空間サイズ、時間長、スペクトル帯域で入力および出力データに適応することができる。 トレーニング可能なタスクの埋め込みにモデルを条件付けすることで、単一のアーキテクチャ内で異なる密集した予測タスクを統一する。
  論文  参考訳（メタデータ） (2025-05-18T07:39:17Z)
• Large Wireless Localization Model (LWLM): A Foundation Model for Positioning in 6G Networks [26.30108656575931]
  本稿では,無線位置決めに適したファンデーションモデルに基づくソリューションを提案する。 まず、異なる自己教師付き学習(SSL)タスクが汎用的およびタスク固有の意味的特徴をどのように獲得するかを分析する。 提案するLarge Wireless Localization Model (LWLM) の事前学習手法を設計する。
  論文  参考訳（メタデータ） (2025-05-15T10:04:44Z)
• Bridging Distribution Gaps in Time Series Foundation Model Pretraining with Prototype-Guided Normalization [29.082583523943157]
  本稿では,Transformerアーキテクチャ内でのドメイン対応適応正規化戦略を提案する。 従来のLayerNormをプロトタイプ誘導動的正規化機構(ProtoNorm)に置き換える。 本手法は,従来の事前学習手法よりも,分類タスクと予測タスクの両方において優れていた。
  論文  参考訳（メタデータ） (2025-04-15T06:23:00Z)
• AdaPTS: Adapting Univariate Foundation Models to Probabilistic Multivariate Time Series Forecasting [10.899510048905926]
  本稿では,機能間の複雑な依存関係を管理し,予測の不確実性を定量化するアダプタを提案する。 合成データセットと実世界のデータセットの両方で実施された実験により、アダプタの有効性が確認された。 私たちのフレームワークであるAdaPTSは、アダプタをモジュール的でスケーラブルで効果的なソリューションとして位置づけています。
  論文  参考訳（メタデータ） (2025-02-14T15:46:19Z)
• LiNeS: Post-training Layer Scaling Prevents Forgetting and Enhances Model Merging [80.17238673443127]
  LiNeSは、微調整タスク性能を向上しつつ、事前訓練された一般化を維持するために設計されたポストトレーニング編集技術である。 LiNeSは、視覚と自然言語処理のさまざまなベンチマークにおいて、シングルタスクとマルチタスクの両方で大幅に改善されている。
  論文  参考訳（メタデータ） (2024-10-22T16:26:05Z)
• PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
  私たちはaを提案します。 フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。 我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
  論文  参考訳（メタデータ） (2024-06-04T13:51:08Z)
• Adapting to Length Shift: FlexiLength Network for Trajectory Prediction [53.637837706712794]
  軌道予測は、自律運転、ロボット工学、シーン理解など、様々な応用において重要な役割を果たしている。 既存のアプローチは主に、一般に標準入力時間を用いて、公開データセットの予測精度を高めるために、コンパクトなニューラルネットワークの開発に重点を置いている。 本稿では,様々な観測期間に対する既存の軌道予測の堅牢性を高めるための,汎用的で効果的なフレームワークFlexiLength Network(FLN)を紹介する。
  論文  参考訳（メタデータ） (2024-03-31T17:18:57Z)
• Effective Adaptation in Multi-Task Co-Training for Unified Autonomous Driving [103.745551954983]
  本稿では,3つの下流タスクにおけるMoCoやSimCLRなど,多種多様な自己監督手法の転送性能について検討する。 彼らのパフォーマンスは、サブ最適か、あるいはシングルタスクベースラインよりもはるかに遅れていることに気付きました。 汎用マルチタスクトレーニングのための,単純かつ効果的な事前訓練-適応-ファインチューンパラダイムを提案する。
  論文  参考訳（メタデータ） (2022-09-19T12:15:31Z)

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。