論文の概要: Fed-PELAD: Communication-Efficient Federated Learning for Massive MIMO CSI Feedback with Personalized Encoders and a LoRA-Adapted Shared Decoder

• arxiv url: http://arxiv.org/abs/2510.25181v1
• Date: Wed, 29 Oct 2025 05:24:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-30 18:06:02.026145
• Title: Fed-PELAD: Communication-Efficient Federated Learning for Massive MIMO CSI Feedback with Personalized Encoders and a LoRA-Adapted Shared Decoder
• Title（参考訳）: Fed-PELAD:パーソナライズされたエンコーダとLoRA適応共有デコーダを用いたMIMO CSIフィードバックのためのコミュニケーション効率の良いフェデレーション学習
• Authors: Yixiang Zhou, Tong Wu, Meixia Tao, Jianhua Mo,
• Abstract要約: Fed-PELADは、パーソナライズされたエンコーダとLoRA対応の共有デコーダを組み込んだ、新しい学習フレームワークである。 従来の方法と比較して,Fed-PELADはアップリンク通信コストの42.97%しか必要としていない。
• 参考スコア（独自算出の注目度）: 31.828746802264032
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper addresses the critical challenges of communication overhead, data heterogeneity, and privacy in deep learning for channel state information (CSI) feedback in massive MIMO systems. To this end, we propose Fed-PELAD, a novel federated learning framework that incorporates personalized encoders and a LoRA-adapted shared decoder. Specifically, personalized encoders are trained locally on each user equipment (UE) to capture device-specific channel characteristics, while a shared decoder is updated globally via the coordination of the base station (BS) by using Low-Rank Adaptation (LoRA). This design ensures that only compact LoRA adapter parameters instead of full model updates are transmitted for aggregation. To further enhance convergence stability, we introduce an alternating freezing strategy with calibrated learning-rate ratio during LoRA aggregation. Extensive simulations on 3GPP-standard channel models demonstrate that Fed-PELAD requires only 42.97\% of the uplink communication cost compared to conventional methods while achieving a performance gain of 1.2 dB in CSI feedback accuracy under heterogeneous conditions.
• Abstract（参考訳）: 本稿では,大規模なMIMOシステムにおけるチャネル状態情報(CSI)フィードバックの深層学習における通信オーバーヘッド,データ不均一性,プライバシといった重要な課題に対処する。 この目的のために、パーソナライズされたエンコーダとLoRA対応共有デコーダを組み込んだ新しいフェデレーション学習フレームワークであるFed-PELADを提案する。 具体的には、パーソナライズされたエンコーダを各ユーザ機器(UE)上でローカルにトレーニングし、デバイス固有のチャネル特性をキャプチャし、共有デコーダをローランド適応(LoRA)を用いて基地局(BS)の調整によりグローバルに更新する。 この設計により、完全なモデル更新ではなく、コンパクトなLoRAアダプタパラメータだけがアグリゲーションのために送信される。 収束安定性をさらに高めるため,LoRAアグリゲーション中に学習率を調整した交互凍結戦略を導入する。 3GPP標準チャネルモデルに対する広範囲なシミュレーションにより、Fed-PELADは、異種条件下でのCSIフィードバック精度で1.2dBの性能向上を達成する一方で、従来の方法と比較して、アップリンク通信コストの42.97倍しか必要としないことが示された。

関連論文リスト

• Learning to Gridize: Segment Physical World by Wireless Communication Channel [32.95972150896482]
  Channel Space Gridization (CSG) は、チャネル推定とグリッド化を初めて統合する先駆的なフレームワークである。 トレーニング可能なRSRP-to-CAPSエンコーダ、学習可能なスパースコードブック量子化器、物理インフォームドデコーダを備えたCSGオートエンコーダ(CSG-AE)を開発した。 CSG-AEは合成データのCAPS推定精度とクラスタリング品質に優れる。
  論文  参考訳（メタデータ） (2025-07-21T08:43:34Z)
• Large Language Model-Driven Distributed Integrated Multimodal Sensing and Semantic Communications [5.646293779615063]
  本稿では,新しい大規模言語モデル (LLM) による分散分散マルチモーダルセンシングとセマンティックコミュニケーションフレームワークを提案する。 具体的には、RFモジュールとカメラモジュールを備えた複数の協調センシング装置で構成されている。 Genesis シミュレーションエンジンにより生成された合成多視点RF-視覚データセットの評価結果から,LLM-DiSAC が良好な性能を発揮することが示された。
  論文  参考訳（メタデータ） (2025-05-20T08:00:00Z)
• 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)
• Model-based Deep Learning Receiver Design for Rate-Splitting Multiple Access [65.21117658030235]
  本研究では,モデルベース深層学習(MBDL)に基づく実用的なRSMA受信機の設計を提案する。 MBDL受信機は、符号なしシンボル誤り率(SER)、リンクレベルシミュレーション(LLS)によるスループット性能、平均トレーニングオーバーヘッドの観点から評価される。 その結果,MBDLはCSIRが不完全なSIC受信機よりも優れていた。
  論文  参考訳（メタデータ） (2022-05-02T12:23:55Z)
• Attention guided global enhancement and local refinement network for semantic segmentation [5.881350024099048]
  エンコーダ・デコーダアーキテクチャを用いて,軽量なセマンティックセマンティックセマンティクスネットワークを開発した。 高レベル特徴マップからグローバル情報を集約するグローバルエンハンスメント手法を提案する。 ローカルリファインメントモジュールは、デコーダ機能をセマンティックガイダンスとして利用することによって開発される。 この2つの手法はContext Fusion Blockに統合され、それに基づいてAttention Guided Global enhancement and Local refinement Network (AGLN) が精巧に設計されている。
  論文  参考訳（メタデータ） (2022-04-09T02:32:24Z)
• Robust Semi-supervised Federated Learning for Images Automatic Recognition in Internet of Drones [57.468730437381076]
  プライバシー保護型UAV画像認識のための半教師付きフェデレートラーニング(SSFL)フレームワークを提案する。 異なるカメラモジュールを使用したUAVによって収集されたローカルデータの数、特徴、分布には大きな違いがある。 本稿では,クライアントがトレーニングに参加する頻度,すなわちFedFreqアグリゲーションルールに基づくアグリゲーションルールを提案する。
  論文  参考訳（メタデータ） (2022-01-03T16:49:33Z)
• 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)
• 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。