論文の概要: Digital Twin-Assisted Explainable AI for Robust Beam Prediction in mmWave MIMO Systems
- arxiv url: http://arxiv.org/abs/2507.14180v1
- Date: Sat, 12 Jul 2025 09:56:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-22 20:51:31.732842
- Title: Digital Twin-Assisted Explainable AI for Robust Beam Prediction in mmWave MIMO Systems
- Title（参考訳）: mmWave MIMOシステムにおけるロバストビーム予測のためのディジタルツイン支援説明可能なAI
- Authors: Nasir Khan, Asmaa Abdallah, Abdulkadir Celik, Ahmed M. Eltawil, Sinem Coleri,
- Abstract要約: 本稿では,mmWaveシステムのための頑健で説明可能な深層学習(DL)ベースのビームアライメントエンジンを提案する。
このフレームワークは、現実世界のデータ要求を70%減らし、ビームトレーニングのオーバーヘッドを62%減らし、異常検出を最大8.5倍改善する。
実験結果から,提案フレームワークは実世界のデータ要求を70%削減し,ビームトレーニングのオーバーヘッドを62%削減し,異常検出を最大8.5倍改善した。
- 参考スコア（独自算出の注目度）: 18.49800990388549
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In line with the AI-native 6G vision, explainability and robustness are crucial for building trust and ensuring reliable performance in millimeter-wave (mmWave) systems. Efficient beam alignment is essential for initial access, but deep learning (DL) solutions face challenges, including high data collection overhead, hardware constraints, lack of explainability, and susceptibility to adversarial attacks. This paper proposes a robust and explainable DL-based beam alignment engine (BAE) for mmWave multiple-input multiple output (MIMO) systems. The BAE uses received signal strength indicator (RSSI) measurements from wide beams to predict the best narrow beam, reducing the overhead of exhaustive beam sweeping. To overcome the challenge of real-world data collection, this work leverages a site-specific digital twin (DT) to generate synthetic channel data closely resembling real-world environments. A model refinement via transfer learning is proposed to fine-tune the pre-trained model residing in the DT with minimal real-world data, effectively bridging mismatches between the digital replica and real-world environments. To reduce beam training overhead and enhance transparency, the framework uses deep Shapley additive explanations (SHAP) to rank input features by importance, prioritizing key spatial directions and minimizing beam sweeping. It also incorporates the Deep k-nearest neighbors (DkNN) algorithm, providing a credibility metric for detecting out-of-distribution inputs and ensuring robust, transparent decision-making. Experimental results show that the proposed framework reduces real-world data needs by 70%, beam training overhead by 62%, and improves outlier detection robustness by up to 8.5x, achieving near-optimal spectral efficiency and transparent decision making compared to traditional softmax based DL models.
- Abstract（参考訳）: AIネイティブな6Gビジョンに合わせて、信頼性の構築とミリ波(mmWave)システムの信頼性確保には、説明可能性と堅牢性が不可欠である。
効率的なビームアライメントは初期アクセスには不可欠だが、ディープラーニング(DL)ソリューションは、高いデータ収集オーバーヘッド、ハードウェア制約、説明責任の欠如、敵攻撃に対する感受性などの課題に直面している。
本稿では,mmWave多重入力多重出力(MIMO)システムのための頑健で説明可能なDLベースのビームアライメントエンジン(BAE)を提案する。
BAEは受信信号強度指標(RSSI)を用いて、最も狭いビームを予測する。
実世界のデータ収集の課題を克服するために、サイト固有のデジタルツイン(DT)を活用して、実世界の環境によく似た合成チャネルデータを生成する。
実世界の最小限のデータでDT内に存在する事前学習モデルの微調整を行い,デジタルレプリカと実世界の環境間のミスマッチを効果的にブリッジする。
ビームトレーニングのオーバーヘッドを低減し、透明性を高めるため、このフレームワークは深層シェープ法(SHAP)を用いて入力特徴を重要度でランク付けし、鍵空間方向を優先し、ビームの掃討を最小限にする。
また、Deep k-nearest neighbors (DkNN)アルゴリズムを導入し、配布外入力を検出し、堅牢で透明な意思決定を保証するための信頼性指標を提供する。
実験結果から,提案フレームワークは実世界のデータ要求を70%削減し,ビームトレーニングオーバーヘッドを62%削減し,外乱検出ロバスト性を最大8.5倍改善し,従来のソフトマックス型DLモデルと比較してほぼ最適なスペクトル効率と透明な意思決定を実現した。
関連論文リスト
- Transformer-Driven Neural Beamforming with Imperfect CSI in Urban Macro Wireless Channels [27.445841110148674]
本研究では,不完全なチャネル状態情報下でのビーム形成重みを生成するために,深層的に分離可能な畳み込みと変圧器を統合した新しい教師なしディープラーニングフレームワークを提案する。
主な目標は、信頼性の高い通信を確保しながら、総和レートを最大化することでスループットを向上させることである。
論文 参考訳（メタデータ） (2025-04-15T23:41:24Z) - 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) - DRL-based Dolph-Tschebyscheff Beamforming in Downlink Transmission for Mobile Users [52.9870460238443]
学習可能なDolph-Tschebyscheffアンテナアレイを用いた深部強化学習に基づくブラインドビームフォーミング手法を提案する。
シミュレーションの結果,提案手法は最良値に非常に近いデータレートをサポートできることが示唆された。
論文 参考訳（メタデータ） (2025-02-03T11:50:43Z) - Explainable and Robust Millimeter Wave Beam Alignment for AI-Native 6G Networks [18.49800990388549]
本稿では,ミリ波マルチインプット多重出力(MIMO)システムのための,頑健な深層学習(DL)ベースのビームアライメントエンジン(BAE)を開発した。
CNNベースのBAEは、受信信号強度指標(RSSI)をワイドビームのセット上で測定し、UE毎に最適な狭ビームを正確に予測する。
提案するフレームワークは、検出の堅牢性を最大5倍改善し、ビーム予測決定に関するより明確な洞察を提供する。
論文 参考訳（メタデータ） (2025-01-23T09:47:54Z) - Enhancing Reliability in Federated mmWave Networks: A Practical and
Scalable Solution using Radar-Aided Dynamic Blockage Recognition [14.18507067281377]
本稿では,ミリ波(mmWave)およびテラヘルツ(THz)ネットワークサービスの動的屋外環境における信頼性向上のための新しい手法を提案する。
これらの設定では、人や車などの障害物を動かすことで、視線接続(LoS)が簡単に中断される。
提案手法はRadar-Aided Blockage Dynamic Recognition (RaDaR)と呼ばれ、レーダー計測とフェデレートラーニング(FL)を活用して、二重出力ニューラルネットワーク(NN)モデルをトレーニングする。
論文 参考訳（メタデータ） (2023-06-22T10:10:25Z) - Deep Learning and Image Super-Resolution-Guided Beam and Power
Allocation for mmWave Networks [80.37827344656048]
我々は,ミリ波(mmWave)ネットワークのためのディープラーニング(DL)誘導ハイブリッドビームとパワーアロケーションアプローチを開発した。
教師付き学習と超解像技術の相乗効果を利用して、低オーバヘッドビームとパワーアロケーションを実現する。
論文 参考訳（メタデータ） (2023-05-08T05:40:54Z) - Fast Beam Alignment via Pure Exploration in Multi-armed Bandits [91.11360914335384]
我々は,ミリ波通信におけるBAレイテンシを低減するために,帯域幅に基づく高速BAアルゴリズムを開発した。
我々のアルゴリズムは2相ヘテロセダスティックトラック・アンド・ストップ (2PHT&S) と呼ばれる。
論文 参考訳（メタデータ） (2022-10-23T05:57:39Z) - Efficient and Robust LiDAR-Based End-to-End Navigation [132.52661670308606]
我々は,LiDARをベースとした効率的なエンドツーエンドナビゲーションフレームワークを提案する。
本稿では,スパース畳み込みカーネル最適化とハードウェア対応モデル設計に基づくFast-LiDARNetを提案する。
次に,単一の前方通過のみから予測の不確かさを直接推定するハイブリッド・エビデンシャル・フュージョンを提案する。
論文 参考訳（メタデータ） (2021-05-20T17:52:37Z) - A Novel Look at LIDAR-aided Data-driven mmWave Beam Selection [24.711393214172148]
軽量ニューラルネットワーク(NN)アーキテクチャとそれに対応するLIDARプリプロセッシングを提案する。
nnベースのビーム選択方式は、ビーム探索のオーバーヘッドなしに79.9%のスループットを達成でき、95%のスループットを6ビーム以内で探索できる。
論文 参考訳（メタデータ） (2021-04-29T18:07:31Z) - LoRD-Net: Unfolded Deep Detection Network with Low-Resolution Receivers [104.01415343139901]
本稿では,1ビット計測から情報シンボルを復元する「LoRD-Net」というディープ検出器を提案する。
LoRD-Netは、関心のシグナルを回復するためのタスクベースのアーキテクチャである。
無線通信における1ビット信号回復のためのレシーバアーキテクチャの評価を行った。
論文 参考訳（メタデータ） (2021-02-05T04:26:05Z)
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。