論文の概要: E2E Learning Massive MIMO for Multimodal Semantic Non-Orthogonal Transmission and Fusion

• arxiv url: http://arxiv.org/abs/2509.19312v1
• Date: Tue, 09 Sep 2025 11:25:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-28 15:30:14.408624
• Title: E2E Learning Massive MIMO for Multimodal Semantic Non-Orthogonal Transmission and Fusion
• Title（参考訳）: E2E Learning Massive MIMO for Multimodal Semantic Non-Orthogonal Transmission and Fusion
• Authors: Minghui Wu, Zhen Gao,
• Abstract要約: 本稿では,エンド・ツー・エンド(E2E)アップリンクダウンリンクCSI融合プリコーディングネットワークを提案する。 CSI参照信号(CSI-RS)設計、CSIフィードバック、ベースステーション(BS)プリコーディングを共同でモデル化する。 その結果,提案手法はSRS情報とUEフィードバックの両方を効果的に活用できることが示唆された。
• 参考スコア（独自算出の注目度）: 4.957031375980409
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Massive multiple-input multiple-output (MIMO) promises high spectral efficiency but also leads to high-dimensional downlink channel state information (CSI), which complicates real-time channel acquisition and precoding. To address this, we propose an end-to-end (E2E) uplink-downlink CSI fusion precoding network that jointly models downlink CSI reference signal (CSI-RS) design, CSI feedback, and base-station (BS) precoding within a single E2E neural architecture. Concretely, a projection network built on the MAXIM architecture takes uplink sounding reference signals (SRS) as input and outputs frequency-, beam-, and port-domain projection matrices for designing downlink CSI-RS. User equipment (UE) then compresses/quantizes the resulting CSI-RS observations and feeds back a compact representation. At the base station (BS), two complementary branches produce candidate precoders: one is a feedback-only precoding network driven by quantized downlink observations, and the other is an SRS-only precoding network driven by uplink SRS. These candidate precoders are subsequently combined by a fusion precoding network to yield the final transmit precoder. All the modules are trained with a spectral-efficiency-oriented loss under a three-stage schedule. Simulation results show that the proposed approach effectively harnesses both SRS-derived information and UE feedback, achieving markedly better performance than conventional baselines.
• Abstract（参考訳）: 大規模マルチインプット多重出力(MIMO)は高いスペクトル効率を約束するが、リアルタイムチャネル取得とプリコーディングを複雑にする高次元ダウンリンクチャネル状態情報(CSI)をもたらす。 そこで本研究では,CSI参照信号(CSI-RS)設計,CSIフィードバック,ベースステーション(BS)プリコーディングを1つのE2Eニューラルアーキテクチャ内で共同でモデル化する,エンド・ツー・エンド(E2E)アップリンクダウンリンクCSI融合プリコーディングネットワークを提案する。 具体的には、MAXIMアーキテクチャ上に構築されたプロジェクションネットワークは、アップリンク参照信号(SRS)を入力として、ダウンリンクCSI-RSを設計するための周波数、ビーム、ポートドメインのプロジェクション行列を出力する。 ユーザ機器(UE)は、結果のCSI-RS観測を圧縮/量子化し、コンパクトな表現をフィードバックする。 基地局(BS)では、2つの補完枝が候補プリコーダを生成する: 1つは量子化ダウンリンク観測によって駆動されるフィードバックのみのプリコードネットワーク、もう1つはアップリンクSRSによって駆動されるSRSのみのプリコードネットワークである。 これらの候補プリコーダはその後、融合プリコーダネットワークによって結合され、最終送信プリコーダが生成される。 全てのモジュールは、3段階のスケジュールの下でスペクトル効率指向の損失で訓練される。 シミュレーションの結果,提案手法はSRSから得られる情報とUEフィードバックの両方を効果的に活用し,従来のベースラインよりも優れた性能を実現していることがわかった。

関連論文リスト

• Uplink Assisted Joint Channel Estimation and CSI Feedback: An Approach Based on Deep Joint Source-Channel Coding [20.422899602093786]
  ダウンリンクCSI獲得のための深層学習によるアップリンク支援共同CEとCSIフィードバックアプローチを提案する。 提案するネットワークは,従来の分離されたソースチャネル符号化において発生する崖効果を軽減するために,ディープジョイント・ソースチャネル符号化アーキテクチャを採用している。
  論文  参考訳（メタデータ） (2025-04-15T03:29:24Z)
• Study on Downlink CSI compression: Are Neural Networks the Only Solution? [1.0305984157213843]
  大量多入力多出力(MIMO)システムにより、ダウンリンク(DL)における高いデータレートを実現する 高いDLデータレートは、空間多重化とビームフォーミングの効果的な実装によって達成される。 周波数分割二重化(FDD)システムでは、DLチャネル状態情報(CSI)をユーザ機器(UE)からgNBに送信する必要がある。 オーバヘッド問題に対処するため、自動エンコーダを用いたAI/ML手法が検討され、UEのエンコーダニューラルネットワークモデルがCSIを圧縮し、gNBのデコーダニューラルネットワークモデルがそれを再構成する。
  論文  参考訳（メタデータ） (2025-02-10T08:00:14Z)
• Joint Channel Estimation and Feedback with Masked Token Transformers in Massive MIMO Systems [74.52117784544758]
  本稿では,CSI行列内の固有周波数領域相関を明らかにするエンコーダデコーダに基づくネットワークを提案する。 エンコーダ・デコーダネットワーク全体がチャネル圧縮に使用される。 提案手法は,共同作業における現状のチャネル推定およびフィードバック技術より優れる。
  論文  参考訳（メタデータ） (2023-06-08T06:15:17Z)
• Deep Learning-Based Rate-Splitting Multiple Access for Reconfigurable Intelligent Surface-Aided Tera-Hertz Massive MIMO [56.022764337221325]
  再構成可能なインテリジェントサーフェス(RIS)は,Tera-Hertz大規模マルチインプットマルチアウトプット(MIMO)通信システムのサービスカバレッジを大幅に向上させることができる。 しかし、パイロットとフィードバック信号のオーバーヘッドが限定された正確な高次元チャネル状態情報(CSI)を得ることは困難である。 本稿では、RIS支援Tera-Hertzマルチユーザアクセスシステムのための、ディープラーニング(DL)に基づくレート分割多重アクセス方式を提案する。
  論文  参考訳（メタデータ） (2022-09-18T03:07:37Z)
• Overview of Deep Learning-based CSI Feedback in Massive MIMO Systems [77.0986534024972]
  ディープラーニング(DL)ベースのCSIフィードバックは、DLベースのオートエンコーダによるCSI圧縮と再構築を指し、フィードバックオーバーヘッドを大幅に削減することができる。 その焦点は、CSIフィードバックの正確性を改善するために、新しいニューラルネットワークアーキテクチャとコミュニケーション専門家の知識の利用である。
  論文  参考訳（メタデータ） (2022-06-29T03:28:57Z)
• Deep Learning for 1-Bit Compressed Sensing-based Superimposed CSI Feedback [2.6831842796906393]
  本稿では,1ビット圧縮されたセンサによる重畳されたCSIフィードバックを改善するためのディープラーニング方式を提案する。 提案方式は,UL-USとダウンリンクCSIの回復精度を低処理遅延で向上する。
  論文  参考訳（メタデータ） (2022-03-13T09:33:53Z)
• CSI Feedback with Model-Driven Deep Learning of Massive MIMO Systems [0.0]
  モデル駆動深層学習に基づく2段階低ランクCSIフィードバック方式を提案する。 さらに、より効率的なCSIフィードバックを実現するために、高速反復収縮しきい値アルゴリズム(FISTA)を展開させることにより、FISTA-Netというディープ反復ニューラルネットワークを設計する。
  論文  参考訳（メタデータ） (2021-12-13T03:50:43Z)
• Two-Timescale End-to-End Learning for Channel Acquisition and Hybrid Precoding [94.40747235081466]
  本研究では,ミリ波(mmWave)大規模マルチインプット多重出力(MIMO)システムのためのエンドツーエンドの深層学習に基づくジョイントトランスシーバ設計アルゴリズムを提案する。 我々は受信したパイロットを受信機でフィードバックビットにマッピングし、さらに送信機でハイブリッドプリコーダにフィードバックビットをマッピングするDNNアーキテクチャを開発した。
  論文  参考訳（メタデータ） (2021-10-22T20:49:02Z)
• Deep Learning-based Implicit CSI Feedback in Massive MIMO [68.81204537021821]
  ニューラルネットワーク(NN)を用いて,プリコーディング行列インジケータ(PMI)符号化とデコードモジュールを置き換える,低オーバヘッド特性を継承するDLベースの暗黙的フィードバックアーキテクチャを提案する。 1つのリソースブロック(RB)では、2つのアンテナ構成下のタイプIコードブックと比較して25.0%と40.0%のオーバーヘッドを節約できる。
  論文  参考訳（メタデータ） (2021-05-21T02:43:02Z)

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。