論文の概要: An Encoder-Decoder Network for Beamforming over Sparse Large-Scale MIMO Channels
- arxiv url: http://arxiv.org/abs/2510.02355v1
- Date: Sat, 27 Sep 2025 22:04:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-06 16:35:52.034732
- Title: An Encoder-Decoder Network for Beamforming over Sparse Large-Scale MIMO Channels
- Title（参考訳）: 小型MIMOチャネル上でのビームフォーミングのためのエンコーダデコーダネットワーク
- Authors: Yubo Zhang, Jeremy Johnston, Xiaodong Wang,
- Abstract要約: 大規模分散MIMOチャネルにおけるダウンリンクビームフォーミングのためのエンドツーエンドのディープラーニングフレームワークを開発した。
i) 推定ダウンリンクチャネルを低次元遅延ベクトルに圧縮するエンコーダNN, (ii) ビームフォーマのビームフォーマデコーダNN, (iii) 受信した遅延ベクトルをビームフォーマにマッピングするチャネルデコーダNN, そして (iii) 受信した遅延ベクトルからダウンリンクチャネルを再構築してビームフォーマをさらに洗練するチャネルデコーダNNの3つのモジュールを使用する。
EDNビームフォーミングフレームワークは両遠距離場に拡張される
- 参考スコア（独自算出の注目度）: 10.94039589511796
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We develop an end-to-end deep learning framework for downlink beamforming in large-scale sparse MIMO channels. The core is a deep EDN architecture with three modules: (i) an encoder NN, deployed at each user end, that compresses estimated downlink channels into low-dimensional latent vectors. The latent vector from each user is compressed and then fed back to the BS. (ii) a beamformer decoder NN at the BS that maps recovered latent vectors to beamformers, and (iii) a channel decoder NN at the BS that reconstructs downlink channels from recovered latent vectors to further refine the beamformers. The training of EDN leverages two key strategies: (a) semi-amortized learning, where the beamformer decoder NN contains an analytical gradient ascent during both training and inference stages, and (b) knowledge distillation, where the loss function consists of a supervised term and an unsupervised term, and starting from supervised training with MMSE beamformers, over the epochs, the model training gradually shifts toward unsupervised using the sum-rate objective. The proposed EDN beamforming framework is extended to both far-field and near-field hybrid beamforming scenarios. Extensive simulations validate its effectiveness under diverse network and channel conditions.
- Abstract（参考訳）: 大規模分散MIMOチャネルにおけるダウンリンクビームフォーミングのためのエンドツーエンドのディープラーニングフレームワークを開発した。
コアは3つのモジュールを持つディープEDNアーキテクチャである。
i) 推定ダウンリンクチャネルを低次元潜在ベクトルに圧縮するエンコーダNN。
各ユーザからの潜伏ベクトルを圧縮し、BSにフィードバックする。
(ii)BSのビームフォーマデコーダNNで、回復した遅延ベクトルをビームフォーマにマッピングし、
3)BSのチャネルデコーダNNは、復元された遅延ベクトルからダウンリンクチャネルを再構成し、ビームフォーマをさらに洗練する。
EDNのトレーニングには2つの重要な戦略がある。
(a)ビームフォーマーデコーダNNがトレーニングと推論の段階で解析的勾配上昇を含む半改良学習、及び
b) 損失関数が教師付き項と教師なし項から成り、MMSEビームフォーマーによる教師付き訓練から始まった知識蒸留では、モデルトレーニングは徐々に教師なしに移行する。
The proposed EDN beamforming framework is extended to both far-field and near-field hybrid beamforming scenarios。
広範囲なシミュレーションにより、様々なネットワークおよびチャネル条件下での有効性が検証される。
関連論文リスト
- CMF-IoU: Multi-Stage Cross-Modal Fusion 3D Object Detection with IoU Joint Prediction [29.7092783661859]
カメラとLiDARセンサーに基づくマルチモーダル手法は、3D検出の分野で大きな注目を集めている。
CMF-IOUと呼ばれる多段階の相互融合3D検出フレームワークを導入し,3次元空間情報と2次元意味情報を整合させることの課題に対処する。
論文 参考訳（メタデータ） (2025-08-18T13:32:07Z) - Near-field Beam training for Extremely Large-scale MIMO Based on Deep Learning [20.67122533341949]
深層学習に基づく近接場ビームトレーニング手法を提案する。
我々は,歴史データからチャネル特性を効率的に学習するために,畳み込みニューラルネットワーク(CNN)を用いる。
提案手法は,従来のビームトレーニング法と比較して,より安定したビームフォーミングゲインを実現し,性能を著しく向上させる。
論文 参考訳（メタデータ） (2024-06-05T13:26:25Z) - BDC-Occ: Binarized Deep Convolution Unit For Binarized Occupancy Network [55.21288428359509]
既存の3D占有ネットワークは重要なハードウェアリソースを必要としており、エッジデバイスの配備を妨げている。
本稿では,バイナライズド・ディープ・コンボリューション(BDC)ユニットを提案し,バイナライズド・ディープ・コンボリューション・レイヤの数を増やしつつ性能を効果的に向上させる。
我々のBDC-Occモデルは既存の3D占有ネットワークをバイナライズするために提案したBDCユニットを適用して作成する。
論文 参考訳（メタデータ） (2024-05-27T10:44:05Z) - Point-M2AE: Multi-scale Masked Autoencoders for Hierarchical Point Cloud
Pre-training [56.81809311892475]
Masked Autoencoders (MAE) は、言語と2次元画像変換器の自己教師付き事前学習において大きな可能性を示している。
我々は3次元点雲の階層的自己教師型学習のための強力なマルチスケールMAE事前学習フレームワークであるPoint-M2AEを提案する。
論文 参考訳（メタデータ） (2022-05-28T11:22:53Z) - Data-Driven Deep Learning Based Hybrid Beamforming for Aerial Massive
MIMO-OFDM Systems with Implicit CSI [29.11998008894847]
本稿では,データ駆動型深層学習に基づく統合ハイブリッドビームフォーミングフレームワークを提案する。
TDDシステムでは、提案されたDLベースのアプローチは、E2Eニューラルネットワークとして、アップリンクパイロットの組み合わせとダウンリンクハイブリッドビームフォーミングモジュールを共同でモデル化する。
FDDシステムにおいて、我々は、E2Eニューラルネットワークとして、ダウンリンクパイロットトランスミッション、アップリンクCSIフィードバック、およびダウンリンクハイブリッドビームフォーミングモジュールを共同でモデル化する。
論文 参考訳（メタデータ） (2022-01-18T07:21:00Z) - 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) - Semi-Supervised Learning for Channel Charting-Aided IoT Localization in
Millimeter Wave Networks [97.66522637417636]
ミリ波ネットワークにおけるチャネルチャート(CC)支援の新たな枠組みを提案する。
特に,無線機器の3次元位置を推定するために,畳み込み型オートエンコーダモデルを提案する。
フレームワークは半教師付きフレームワークに拡張され、オートエンコーダは2つのコンポーネントに分割される。
論文 参考訳（メタデータ） (2021-08-03T14:41:38Z) - Neural Calibration for Scalable Beamforming in FDD Massive MIMO with
Implicit Channel Estimation [10.775558382613077]
チャネル推定とビームフォーミングは、周波数分割二重化(FDD)大規模マルチインプット多重出力(MIMO)システムにおいて重要な役割を果たす。
受信したアップリンクパイロットに応じて,基地局のビームフォーマを直接最適化する深層学習方式を提案する。
エンド・ツー・エンドの設計のスケーラビリティを向上させるために,ニューラルキャリブレーション法を提案する。
論文 参考訳（メタデータ） (2021-08-03T14:26:14Z) - Deep Learning-based Compressive Beam Alignment in mmWave Vehicular
Systems [75.77033270838926]
車両用チャネルは、より少ないチャネル測定でビームアライメントに活用できる構造を示す。
構造化圧縮センシング(CS)行列を設計するための深層学習手法を提案する。
論文 参考訳（メタデータ） (2021-02-27T04:38:12Z) - MSDPN: Monocular Depth Prediction with Partial Laser Observation using
Multi-stage Neural Networks [1.1602089225841632]
深層学習に基づくマルチステージネットワークアーキテクチャであるMulti-Stage Depth Prediction Network (MSDPN)を提案する。
MSDPNは2次元LiDARと単眼カメラを用いて深度マップを予測する。
実験により,本ネットワークは最先端手法に対して有望な性能を示す。
論文 参考訳（メタデータ） (2020-08-04T08:27:40Z)
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。