論文の概要: Neural Beamforming with Doppler-Aware Sparse Attention for High Mobility Environments

• arxiv url: http://arxiv.org/abs/2511.03632v1
• Date: Wed, 05 Nov 2025 16:51:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-06 18:19:32.494543
• Title: Neural Beamforming with Doppler-Aware Sparse Attention for High Mobility Environments
• Title（参考訳）: 高移動環境におけるドップラー対応スパースアテンションを用いたニューラルビームフォーミング
• Authors: Cemil Vahapoglu, Timothy J. O'Shea, Wan Liu, Sennur Ulukus,
• Abstract要約: 深層学習に基づくビームフォーミングは、チャネル状態情報からビームフォーミングウェイトへの非線形マッピングの代替を提供する。 トランスフォーマーベースのモデルは、時間と周波数にまたがる長距離依存をモデル化できるため、特に効果的である。 近年の研究では、チャンネルダイナミクスを無視したパターンをしばしば採用するが、維持中の複雑さを減少させるスパースアテンション機構によってこの問題に対処している。
• 参考スコア（独自算出の注目度）: 35.90167049594104
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Beamforming has significance for enhancing spectral efficiency and mitigating interference in multi-antenna wireless systems, facilitating spatial multiplexing and diversity in dense and high mobility scenarios. Traditional beamforming techniques such as zero-forcing beamforming (ZFBF) and minimum mean square error (MMSE) beamforming experience performance deterioration under adverse channel conditions. Deep learning-based beamforming offers an alternative with nonlinear mappings from channel state information (CSI) to beamforming weights by improving robustness against dynamic channel environments. Transformer-based models are particularly effective due to their ability to model long-range dependencies across time and frequency. However, their quadratic attention complexity limits scalability in large OFDM grids. Recent studies address this issue through sparse attention mechanisms that reduce complexity while maintaining expressiveness, yet often employ patterns that disregard channel dynamics, as they are not specifically designed for wireless communication scenarios. In this work, we propose a Doppler-aware Sparse Neural Network Beamforming (Doppler-aware Sparse NNBF) model that incorporates a channel-adaptive sparse attention mechanism in a multi-user single-input multiple-output (MU-SIMO) setting. The proposed sparsity structure is configurable along 2D time-frequency axes based on channel dynamics and is theoretically proven to ensure full connectivity within p hops, where p is the number of attention heads. Simulation results under urban macro (UMa) channel conditions show that Doppler-aware Sparse NNBF significantly outperforms both a fixed-pattern baseline, referred to as Standard Sparse NNBF, and conventional beamforming techniques ZFBF and MMSE beamforming in high mobility scenarios, while maintaining structured sparsity with a controlled number of attended keys per query.
• Abstract（参考訳）: ビームフォーミングは、マルチアンテナ無線システムにおけるスペクトル効率の向上と干渉緩和に重要である。 ゼロ強制ビームフォーミング(ZFBF)や最小平均二乗誤差(MMSE)のような従来のビームフォーミング技術は、悪いチャネル条件下でのビームフォーミング性能を劣化させる。 深層学習に基づくビームフォーミングは、動的チャネル環境に対するロバスト性を改善することにより、チャネル状態情報(CSI)からビームフォーミングウェイトへの非線形マッピングの代替となる。 トランスフォーマーベースのモデルは、時間と周波数にまたがる長距離依存をモデル化できるため、特に効果的である。 しかし、その二次的注意複雑性は、大規模なOFDMグリッドのスケーラビリティを制限している。 近年の研究では、表現性を維持しながら複雑さを減らしつつも、無線通信のシナリオに特化して設計されていないため、チャネルダイナミクスを無視するパターンをしばしば採用している。 本研究では,マルチユーザ単一入力多重出力(MU-SIMO)設定にチャネル適応型スパースアテンション機構を組み込んだドップラー対応スパースニューラルネットワークビームフォーミング(ドップラー対応スパースNNBF)モデルを提案する。 提案した空間構造はチャネル力学に基づく2次元時間周波数軸に沿って構成可能であり、p が注目ヘッド数である p ホップ内の完全接続性を保証することが理論的に証明されている。 都市マクロ(UMa)チャネル条件下でのシミュレーション結果から、ドップラー対応スパースNNBFは、標準スパースNNBFと呼ばれる固定パターンベースラインと、従来のビームフォーミング技術であるZFBFとMMSEビームフォーミングの両方において、クエリ毎に制御されたキー数で構造的疎結合を維持しながら、著しく優れていた。

関連論文リスト

• FADPNet: Frequency-Aware Dual-Path Network for Face Super-Resolution [70.61549422952193]
  計算コストの制限による顔超解像(FSR)は未解決の問題である。 既存のアプローチでは、全ての顔のピクセルを等しく扱い、計算資源を最適以下に割り当てる。 本稿では、低周波成分と高周波成分に顔の特徴を分解する周波数対応デュアルパスネットワークであるFADPNetを提案する。
  論文  参考訳（メタデータ） (2025-06-17T02:33:42Z)
• FLEX: A Backbone for Diffusion-Based Modeling of Spatio-temporal Physical Systems [51.15230303652732]
  FLEX (F Low Expert) は、時間物理系の生成モデリングのためのバックボーンアーキテクチャである。 拡散モデルにおける速度場の分散を低減し、トレーニングの安定化に役立つ。 少数の特徴を2つの逆拡散ステップとして用いて、超解像および予測タスクの正確な予測を行う。
  論文  参考訳（メタデータ） (2025-05-23T00:07:59Z)
• AdaFortiTran: An Adaptive Transformer Model for Robust OFDM Channel Estimation [22.40154714677385]
  本稿では,アダフォーティトラン(Adaptive Fortified Transformer, AdaFortiTran)を提案する。 AdaFortiTranは最先端モデルと比較して平均2乗誤差(MSE)を最大6dB削減する。
  論文  参考訳（メタデータ） (2025-05-14T02:22:37Z)
• 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)
• FreSca: Scaling in Frequency Space Enhances Diffusion Models [55.75504192166779]
  本稿では,潜時拡散モデルにおける周波数制御について検討する。 本稿では,低周波成分と高周波成分にノイズ差を分解する新しいフレームワークFreScaを紹介する。 FreScaはモデルの再トレーニングやアーキテクチャの変更なしに動作し、モデルとタスクに依存しない制御を提供する。
  論文  参考訳（メタデータ） (2025-04-02T22:03:11Z)
• Graph Neural Network Based Hybrid Beamforming Design in Wideband Terahertz MIMO-OFDM Systems [11.887537452826622]
  6G無線技術は、高指向性ビームフォーミングによって実現される、より高周波数帯域を採用するために計画されている。 利用可能な広い帯域幅は、巨大な多重入力とMIMOシステムにおけるビームスクイントの影響も無視できない。 各アンテナに実時間遅延線(TTD)を追加するような従来のアプローチは、大量のアンテナアレイを必要とするためコストがかかる。 本稿では、ハイブリッドビームフォーミングを最適化するためのグラフニューラルネットワーク(GNN)の革新的な応用を通じて、OFDMシステムのマルチキャリア構造に特に適応した信号処理の代替手法を提案する。
  論文  参考訳（メタデータ） (2025-01-27T18:45:54Z)
• Reliable Beamforming at Terahertz Bands: Are Causal Representations the Way Forward? [85.06664206117088]
  マルチユーザ無線システムは、テラヘルツ帯域と大量のアンテナを利用することで、メタバース要件を満たすことができる。 既存の解にはチャネル力学の適切なモデリングが欠如しており、その結果、高流動シナリオにおける不正確なビームフォーミング解が生じる。 ここでは、変分因果推論における新しい人工知能アルゴリズムを利用して、動的で意味論的に認識されたビームフォーミングソリューションを初めて提案する。
  論文  参考訳（メタデータ） (2023-03-14T16:02:46Z)
• 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)
• Harnessing Wireless Channels for Scalable and Privacy-Preserving Federated Learning [56.94644428312295]
  無線接続は、フェデレートラーニング(FL)の実現に有効である Channel randomnessperturbs 各ワーカはモデル更新をインバージョンし、複数のワーカはバンド幅に大きな干渉を発生させる。 A-FADMMでは、すべてのワーカーがモデル更新をアナログ送信を介して単一のチャンネルを使用してパラメータサーバにアップロードする。 これは通信帯域幅を節約するだけでなく、各ワーカーの正確なモデル更新軌跡を任意の盗聴者から隠蔽する。
  論文  参考訳（メタデータ） (2020-07-03T16:31:15Z)

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。