論文の概要: CSI-4CAST: A Hybrid Deep Learning Model for CSI Prediction with Comprehensive Robustness and Generalization Testing

• arxiv url: http://arxiv.org/abs/2510.12996v1
• Date: Tue, 14 Oct 2025 21:19:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-16 20:13:28.42627
• Title: CSI-4CAST: A Hybrid Deep Learning Model for CSI Prediction with Comprehensive Robustness and Generalization Testing
• Title（参考訳）: CSI-4CAST: 包括的ロバスト性と一般化テストによるCSI予測のためのハイブリッドディープラーニングモデル
• Authors: Sikai Cheng, Reza Zandehshahvar, Haoruo Zhao, Daniel A. Garcia-Ulloa, Alejandro Villena-Rodriguez, Carles Navarro Manchón, Pascal Van Hentenryck,
• Abstract要約: 本稿では、畳み込みニューラルネットワーク残基、適応補正層、ShuffleNetブロック、Transformerの4つの重要なコンポーネントを統合するハイブリッドディープラーニングアーキテクチャであるCSI-4CASTを紹介する。 データセットは、複数のチャネルモデル、広範囲の遅延スプレッドとユーザ速度、さまざまなノイズタイプと強度度にまたがる。 実験の結果,CSI-4CASTは計算コストを大幅に削減して予測精度が向上した。
• 参考スコア（独自算出の注目度）: 44.045995554758385
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Channel state information (CSI) prediction is a promising strategy for ensuring reliable and efficient operation of massive multiple-input multiple-output (mMIMO) systems by providing timely downlink (DL) CSI. While deep learning-based methods have advanced beyond conventional model-driven and statistical approaches, they remain limited in robustness to practical non-Gaussian noise, generalization across diverse channel conditions, and computational efficiency. This paper introduces CSI-4CAST, a hybrid deep learning architecture that integrates 4 key components, i.e., Convolutional neural network residuals, Adaptive correction layers, ShuffleNet blocks, and Transformers, to efficiently capture both local and long-range dependencies in CSI prediction. To enable rigorous evaluation, this work further presents a comprehensive benchmark, CSI-RRG for Regular, Robustness and Generalization testing, which includes more than 300,000 samples across 3,060 realistic scenarios for both TDD and FDD systems. The dataset spans multiple channel models, a wide range of delay spreads and user velocities, and diverse noise types and intensity degrees. Experimental results show that CSI-4CAST achieves superior prediction accuracy with substantially lower computational cost, outperforming baselines in 88.9% of TDD scenarios and 43.8% of FDD scenario, the best performance among all evaluated models, while reducing FLOPs by 5x and 3x compared to LLM4CP, the strongest baseline. In addition, evaluation over CSI-RRG provides valuable insights into how different channel factors affect the performance and generalization capability of deep learning models. Both the dataset (https://huggingface.co/CSI-4CAST) and evaluation protocols (https://github.com/AI4OPT/CSI-4CAST) are publicly released to establish a standardized benchmark and to encourage further research on robust and efficient CSI prediction.
• Abstract（参考訳）: チャネル状態情報(CSI)予測は、タイムリーダウンリンク(DL)CSIを提供することで、大規模なマルチインプットマルチアウトプット(mMIMO)システムの信頼性と効率的な動作を保証するための有望な戦略である。 深層学習に基づく手法は従来のモデル駆動型および統計的アプローチを超えて進歩してきたが、実際的な非ガウス雑音に対する堅牢性、様々なチャネル条件の一般化、計算効率に制限されている。 本稿では,CSI予測における局所的および長距離的依存関係を効率的に捉えるために,畳み込みニューラルネットワーク残差,適応補正層,ShuffleNetブロック,Transformerの4つの重要なコンポーネントを統合したハイブリッドディープラーニングアーキテクチャであるCSI-4CASTを紹介する。 厳密な評価を可能にするため、この作業では、TDDとFDDシステムの両方の現実的なシナリオに対して、30,000以上のサンプルを含む、レギュラー、ロバスト、および一般化テストのための包括的なベンチマークであるCSI-RRGをさらに提示する。 データセットは、複数のチャネルモデル、広範囲の遅延スプレッドとユーザ速度、さまざまなノイズタイプと強度度にまたがる。 実験の結果,CSI-4CASTは計算コストを大幅に削減し,TDDシナリオの88.9%,FDDシナリオの43.8%でベースラインを上回り,FLOPを最強のLCM4CPに比べて5倍,3倍の精度で削減した。 さらに、CSI-RRGに対する評価は、異なるチャネル要因がディープラーニングモデルの性能と一般化能力にどのように影響するかについての貴重な洞察を提供する。 データセット(https://huggingface.co/CSI-4CAST)と評価プロトコル(https://github.com/AI4OPT/CSI-4CAST)の両方が公開され、標準化されたベンチマークを確立し、堅牢で効率的なCSI予測に関するさらなる研究を促進する。

関連論文リスト

• Green Learning for STAR-RIS mmWave Systems with Implicit CSI [53.03358325565645]
  再構成可能なインテリジェントサーフェス (STAR-RIS) 支援ミリ波放送システム (mmWave) を同時に送信し, 反射するグリーンラーニング (GL) ベースのプリコーディングフレームワークを提案する。 本研究は,将来の6Gネットワークにおける環境持続可能性を重視し,複数のユーザが同一情報を共有し,スペクトル効率を向上し,冗長伝送と電力消費を低減させるシナリオに,トランスミッションフレームワークを採用する。
  論文  参考訳（メタデータ） (2025-09-08T15:56:06Z)
• Benchmarking Federated Learning for Throughput Prediction in 5G Live Streaming Applications [5.026196568145574]
  本稿では,現実的な5Gエッジシナリオにおけるスループット予測のためのフェデレーション学習戦略の総合的なベンチマークを行う。 FedBNは、非IID条件下で一貫してロバストな性能を提供する。 LSTMとTransformerモデルは、CNNベースのベースラインを最大80%のR2スコアで上回る。
  論文  参考訳（メタデータ） (2025-08-11T21:27:40Z)
• Standards-Compliant DM-RS Allocation via Temporal Channel Prediction for Massive MIMO Systems [4.251030047034567]
  チャネル予測に基づく参照信号アロケーション(CPRS)の概念を導入する。 CPRSはチャネル予測とDM-RSアロケーションを共同で最適化し、CSIフィードバックを必要とせずにデータスループットを向上させる。 ベンチマーク戦略よりも36.60%のスループット向上を実現しています。
  論文  参考訳（メタデータ） (2025-07-15T07:56:37Z)
• LVM4CSI: Enabling Direct Application of Pre-Trained Large Vision Models for Wireless Channel Tasks [47.223747747750394]
  LVM4CSIは複雑なチャネル状態情報をコンピュータビジョン(CV)モデルと互換性のある視覚形式にマッピングするフレームワークである。 タスク特化ニューラルネットワーク(NN)に匹敵する、あるいは優れたパフォーマンスを実現する。 トレーニング可能なパラメータの数を大幅に削減し、タスク固有のNN設計の必要性を排除します。
  論文  参考訳（メタデータ） (2025-07-07T15:33:55Z)
• CSI-BERT2: A BERT-inspired Framework for Efficient CSI Prediction and Classification in Wireless Communication and Sensing [15.607497819907227]
  CSI予測と分類タスクのための統合フレームワークCSI-BERT2を提案する。 まず、マスク言語モデル(MLM)を用いて、不足するデータセットから一般的な特徴抽出を学習できるようにする。 また、サブキャリア表現を強化するための適応的再重み付け層(ARL)と、MLPベースの時間埋め込みモジュールを導入する。
  論文  参考訳（メタデータ） (2024-12-09T06:44:04Z)
• GAQAT: gradient-adaptive quantization-aware training for domain generalization [54.31450550793485]
  そこで本研究では,DGのためのGAQAT(Gradient-Adaptive Quantization-Aware Training)フレームワークを提案する。 我々のアプローチは、低精度量子化におけるスケール・グラディエント・コンフリクト問題を特定することから始まる。 GAQATフレームワークの有効性を実験により検証した。
  論文  参考訳（メタデータ） (2024-12-07T06:07:21Z)
• Quantize Once, Train Fast: Allreduce-Compatible Compression with Provable Guarantees [53.950234267704]
  我々は、全リデュース勾配互換量子化法であるGlobal-QSGDを紹介する。 ベースライン量子化法で最大3.51%の分散トレーニングを高速化することを示す。
  論文  参考訳（メタデータ） (2023-05-29T21:32:15Z)
• Semantic Perturbations with Normalizing Flows for Improved Generalization [62.998818375912506]
  我々は、非教師付きデータ拡張を定義するために、潜在空間における摂動が利用できることを示す。 トレーニングを通して分類器に適応する潜伏性対向性摂動が最も効果的であることが判明した。
  論文  参考訳（メタデータ） (2021-08-18T03:20:00Z)
• CLNet: Complex Input Lightweight Neural Network designed for Massive MIMO CSI Feedback [7.63185216082836]
  本稿では,CSIの固有特性に基づくCSIフィードバック問題に適したニューラルネットワークCLNetを提案する。 実験の結果,CLNetは室内・屋外のシナリオで平均5.41%の精度向上により最先端の手法よりも優れていた。
  論文  参考訳（メタデータ） (2021-02-15T12:16:11Z)

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。