論文の概要: Generative Model-Aided Continual Learning for CSI Feedback in FDD mMIMO-OFDM Systems

• arxiv url: http://arxiv.org/abs/2511.19490v1
• Date: Sun, 23 Nov 2025 10:25:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-26 17:37:04.037135
• Title: Generative Model-Aided Continual Learning for CSI Feedback in FDD mMIMO-OFDM Systems
• Title（参考訳）: FDD mMIMO-OFDMシステムにおけるCSIフィードバック生成モデル支援連続学習
• Authors: Guijun Liu, Yuwen Cao, Tomoaki Ohtsuki, Jiguang He, Shahid Mumtaz,
• Abstract要約: 本稿では,CSIフィードバックに対するGANに基づく学習手法を提案する。 GANジェネレータをメモリユニットとして使用することにより、過去の環境からの知識を保存し、一貫した性能を保証する。
• 参考スコア（独自算出の注目度）: 44.15961826013248
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep autoencoder (DAE) frameworks have demonstrated their effectiveness in reducing channel state information (CSI) feedback overhead in massive multiple-input multiple-output (mMIMO) orthogonal frequency division multiplexing (OFDM) systems. However, existing CSI feedback models struggle to adapt to dynamic environments caused by user mobility, requiring retraining when encountering new CSI distributions. Moreover, returning to previously encountered environments often leads to performance degradation due to catastrophic forgetting. Continual learning involves enabling models to incorporate new information while maintaining performance on previously learned tasks. To address these challenges, we propose a generative adversarial network (GAN)-based learning approach for CSI feedback. By using a GAN generator as a memory unit, our method preserves knowledge from past environments and ensures consistently high performance across diverse scenarios without forgetting. Simulation results show that the proposed approach enhances the generalization capability of the DAE framework while maintaining low memory overhead. Furthermore, it can be seamlessly integrated with other advanced CSI feedback models, highlighting its robustness and adaptability.
• Abstract（参考訳）: ディープオートエンコーダ(DAE)フレームワークは,MMIMO(Multiple-input multiple-output)直交周波数分割多重化(OFDM)システムにおいて,チャネル状態情報(CSI)フィードバックのオーバーヘッドを低減する効果を実証している。 しかし、既存のCSIフィードバックモデルは、ユーザモビリティに起因する動的環境への適応に苦慮し、新しいCSIディストリビューションに遭遇する際には、再トレーニングを必要とする。 さらに、以前遭遇した環境に戻ると、壊滅的な忘れが原因でパフォーマンスが低下することが多い。 継続的な学習は、モデルが以前に学習したタスクのパフォーマンスを維持しながら、新しい情報を組み込むことを可能にする。 これらの課題に対処するため,CSIフィードバックのためのGANに基づく学習手法を提案する。 GANジェネレータをメモリユニットとして使用することにより、過去の環境からの知識を保存し、忘れずに様々なシナリオで一貫したハイパフォーマンスを実現する。 シミュレーションの結果,提案手法は低メモリオーバーヘッドを維持しつつ,DAEフレームワークの一般化能力を向上することが示された。 さらに、他の高度なCSIフィードバックモデルとシームレスに統合することができ、堅牢性と適応性を強調します。

関連論文リスト

• Distributed Gossip-GAN for Low-overhead CSI Feedback Training in FDD mMIMO-OFDM Systems [65.23921727688749]
  本稿では,新たなゴシップ生成敵ネットワーク(Gossip-GAN)支援CSIフィードバックトレーニングフレームワークを提案する。 Gossip-GANは、ユーザのプライバシを保護しながら、低オーバーヘッドでCSIフィードバックトレーニングを可能にする。
  論文  参考訳（メタデータ） (2025-08-31T07:46:16Z)
• KDC-Diff: A Latent-Aware Diffusion Model with Knowledge Retention for Memory-Efficient Image Generation [2.0250638970950905]
  KDC-Diffは、ハイパフォーマンスを維持しながら計算オーバーヘッドを大幅に削減するために設計された、新しくスケーラブルな生成フレームワークである。 本モデルでは,FID,CLIP,KID,LPIPSの指標に対して,パラメータ数,推論時間,FLOPの大幅な削減を実現し,高い性能を示す。
  論文  参考訳（メタデータ） (2025-05-11T14:40:51Z)
• Towards Evaluating the Robustness of Visual State Space Models [63.14954591606638]
  視覚状態空間モデル(VSSM)は視覚知覚タスクにおいて顕著な性能を示した。 しかし、自然と敵対的な摂動の下での頑丈さは依然として重要な懸念事項である。 様々な摂動シナリオ下でのVSSMの頑健さを総合的に評価する。
  論文  参考訳（メタデータ） (2024-06-13T17:59:44Z)
• Enhancing Network Intrusion Detection Performance using Generative Adversarial Networks [0.25163931116642785]
  GAN(Generative Adversarial Networks)の統合によるNIDSの性能向上のための新しいアプローチを提案する。 GANは、現実世界のネットワークの振る舞いを忠実に模倣する合成ネットワークトラフィックデータを生成する。 NIDSへのGANの統合は,訓練データに制限のある攻撃に対する侵入検知性能の向上につながる可能性が示唆された。
  論文  参考訳（メタデータ） (2024-04-11T04:01:15Z)
• Effective Intrusion Detection in Heterogeneous Internet-of-Things Networks via Ensemble Knowledge Distillation-based Federated Learning [52.6706505729803]
  我々は、分散化された侵入検知システムの共有モデル(IDS)を協調訓練するために、フェデレートラーニング(FL)を導入する。 FLEKDは従来のモデル融合法よりも柔軟な凝集法を実現する。 実験の結果,提案手法は,速度と性能の両面で,局所訓練と従来のFLよりも優れていた。
  論文  参考訳（メタデータ） (2024-01-22T14:16:37Z)
• Dig-CSI: A Distributed and Generative Model Assisted CSI Feedback Training Framework [6.216538343278333]
  我々はDig-CSIと呼ばれるCSIフィードバックトレーニングフレームワークを設計する。 CSIフィードバックモデルをトレーニングするためのデータセットは、各ユーザ機器(UE)がアップロードした分散ジェネレータによって生成されるが、ローカルデータのアップロードは行わない。 実験の結果、Dig-CSIは古典的な集中学習で訓練されたモデルに匹敵する性能でグローバルなCSIフィードバックモデルを訓練できることがわかった。
  論文  参考訳（メタデータ） (2023-12-10T15:55:57Z)
• A Low-Overhead Incorporation-Extrapolation based Few-Shot CSI Feedback Framework for Massive MIMO Systems [45.22132581755417]
  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)システムにおけるダウンリンクプリコーディングには、正確なチャネル状態情報(CSI)が不可欠である。 しかし,アンテナやサブキャリアの規模が大きくなると,ユーザ機器(UE)からのフィードバックによるCSI取得が困難になる。 CSIを圧縮するために深層学習に基づく手法が登場したが、これらの方法はかなりの収集サンプルを必要とする。 既存のディープラーニング手法は、フル次元のCSIフィードバックに重点を置いているため、フィードバックオーバーヘッドが劇的に増加することにも悩まされる。 低オーバーヘッド抽出に基づくFew-Shot CSIを提案する。
  論文  参考訳（メタデータ） (2023-12-07T06:01:47Z)
• A Generic Shared Attention Mechanism for Various Backbone Neural Networks [53.36677373145012]
  自己注意モジュール(SAM)は、異なる層にまたがる強い相関した注意マップを生成する。 Dense-and-Implicit Attention (DIA)はSAMをレイヤ間で共有し、長期間のメモリモジュールを使用する。 我々のシンプルで効果的なDIAは、様々なネットワークバックボーンを一貫して拡張できます。
  論文  参考訳（メタデータ） (2022-10-27T13:24:08Z)

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。