論文の概要: Multimodal Mixture-of-Experts for ISAC in Low-Altitude Wireless Networks

• arxiv url: http://arxiv.org/abs/2512.01750v1
• Date: Mon, 01 Dec 2025 14:53:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-02 19:46:34.906025
• Title: Multimodal Mixture-of-Experts for ISAC in Low-Altitude Wireless Networks
• Title（参考訳）: 低高度無線ネットワークにおけるISACのマルチモーダル混合
• Authors: Kai Zhang, Wentao Yu, Hengtao He, Shenghui Song, Jun Zhang, Khaled B. Letaief,
• Abstract要約: 低高度無線ネットワーク(LAWN)におけるISAC(Integrated Sensration and Communication)の意義 LAWNにおけるマルチモーダルISACのためのMix-of-experts(MoE)フレームワークを提案する。 航空プラットフォームにおける制約付きエネルギー制約下でのスケーラビリティ向上のために,専門家のサブセットのみを選択的に活性化するスパースMOE変異体を開発した。
• 参考スコア（独自算出の注目度）: 33.986844210423996
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Integrated sensing and communication (ISAC) is a key enabler for low-altitude wireless networks (LAWNs), providing simultaneous environmental perception and data transmission in complex aerial scenarios. By combining heterogeneous sensing modalities such as visual, radar, lidar, and positional information, multimodal ISAC can improve both situational awareness and robustness of LAWNs. However, most existing multimodal fusion approaches use static fusion strategies that treat all modalities equally and cannot adapt to channel heterogeneity or time-varying modality reliability in dynamic low-altitude environments. To address this fundamental limitation, we propose a mixture-of-experts (MoE) framework for multimodal ISAC in LAWNs. Each modality is processed by a dedicated expert network, and a lightweight gating module adaptively assigns fusion weights according to the instantaneous informativeness and reliability of each modality. To improve scalability under the stringent energy constraints of aerial platforms, we further develop a sparse MoE variant that selectively activates only a subset of experts, thereby reducing computation overhead while preserving the benefits of adaptive fusion. Comprehensive simulations on three typical ISAC tasks in LAWNs demonstrate that the proposed frameworks consistently outperform conventional multimodal fusion baselines in terms of learning performance and training sample efficiency.
• Abstract（参考訳）: ISACは低高度無線ネットワーク(LAWN)のキーイネーブルであり、複雑な航空シナリオにおける環境認識とデータの同時送信を提供する。 視覚、レーダー、ライダー、位置情報などの不均一なセンシングモードを組み合わせることで、マルチモーダルISACはLAWNの状況認識とロバスト性の両方を改善することができる。 しかし、既存の多くのマルチモーダル融合手法は、全てのモダリティを等しく扱い、動的低高度環境におけるチャネルの不均一性や時間変化のモダリティの信頼性に適応できない静的融合戦略を用いる。 LAWNにおけるマルチモーダルISACのためのMix-of-experts(MoE)フレームワークを提案する。 各モダリティは専用の専門家ネットワークで処理され、軽量ゲーティングモジュールは、各モダリティの即時的な情報性および信頼性に応じて、融合重みを適応的に割り当てる。 航空プラットフォームにおけるエネルギー制約の厳しい条件下でのスケーラビリティ向上を目的として,専門家のサブセットのみを選択的に活性化し,適応核融合の利点を保ちながら計算オーバーヘッドを低減できるスパースMOE変異体を開発した。 LAWNにおける3つの典型的なISACタスクに関する総合シミュレーションにより、提案フレームワークは学習性能とサンプル効率の訓練において従来のマルチモーダル融合ベースラインを一貫して上回ることを示した。

関連論文リスト

• MM-DETR: An Efficient Multimodal Detection Transformer with Mamba-Driven Dual-Granularity Fusion and Frequency-Aware Modality Adapters [12.063966356953186]
  マルチモーダルリモートセンシングオブジェクト検出は、困難条件下でより正確で堅牢な認識を実現することを目的としている。 注意に基づく、あるいは変形可能な畳み込み融合ブロックに依存する既存のアプローチは、依然としてパフォーマンスと軽量設計のバランスをとるのに苦労している。 マルチモーダルオブジェクト検出のための軽量かつ効率的なフレームワークMM-DETRを提案する。
  論文  参考訳（メタデータ） (2025-11-29T07:23:01Z)
• scMRDR: A scalable and flexible framework for unpaired single-cell multi-omics data integration [53.683726781791385]
  単一セルマルチオミクス(ScMRDR)と呼ばれるスケーラブルでフレキシブルな生成フレームワークを導入する。 本手法は, バッチ補正, モダリティアライメント, 生体信号保存の観点から, ベンチマークデータセット上での優れた性能を実現する。
  論文  参考訳（メタデータ） (2025-10-28T21:28:39Z)
• Multi-Functional RIS-Enabled in SAGIN for IoT: A Hybrid Deep Reinforcement Learning Approach with Compressed Twin-Models [4.02185297590683]
  宇宙空間におけるモノのインターネットのための統合ネットワーク(SAGIN)について検討した。 MF-RISは同時に無線エネルギーを増幅し、回収することができる。
  論文  参考訳（メタデータ） (2025-07-22T03:40:56Z)
• Synesthesia of Machines (SoM)-Enhanced Sub-THz ISAC Transmission for Air-Ground Network [15.847713094328286]
  サブTHz周波数における統合センシングと通信(ISAC)は、将来の地上ネットワークにとって不可欠である。 本稿では,メカニカルシンセシス(SoM)にインスパイアされたマルチモーダルセンシング融合フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-06-15T12:30:14Z)
• Learning to Fuse: Modality-Aware Adaptive Scheduling for Robust Multimodal Foundation Models [0.0]
  モーダリティ・アウェア・アダプティブ・フュージョン・スケジューリング(MA-AFS)は、各モーダリティの寄与をインスタンス単位で動的に調節することを学ぶ。 本研究は, 適応融合の重要性を強調し, 信頼性と不確実性を考慮したマルチモーダル学習に向けた有望な方向性を開く。
  論文  参考訳（メタデータ） (2025-06-15T05:57:45Z)
• Accelerated Multi-Contrast MRI Reconstruction via Frequency and Spatial Mutual Learning [50.74383395813782]
  本稿では,周波数・空間相互学習ネットワーク(FSMNet)を提案する。 提案したFSMNetは, 加速度係数の異なるマルチコントラストMR再構成タスクに対して, 最先端の性能を実現する。
  論文  参考訳（メタデータ） (2024-09-21T12:02:47Z)
• Design Optimization of NOMA Aided Multi-STAR-RIS for Indoor Environments: A Convex Approximation Imitated Reinforcement Learning Approach [51.63921041249406]
  非直交多重アクセス(Noma)により、複数のユーザが同じ周波数帯域を共有でき、同時に再構成可能なインテリジェントサーフェス(STAR-RIS)を送信および反射することができる。 STAR-RISを屋内に展開することは、干渉緩和、電力消費、リアルタイム設定における課題を提示する。 複数のアクセスポイント(AP)、STAR-RIS、NOMAを利用した新しいネットワークアーキテクチャが屋内通信のために提案されている。
  論文  参考訳（メタデータ） (2024-06-19T07:17:04Z)
• Unleashing Network Potentials for Semantic Scene Completion [50.95486458217653]
  本稿では,新しいSSCフレームワーク - Adrial Modality Modulation Network (AMMNet)を提案する。 AMMNetは、モダリティ間の勾配流の相互依存性を可能にするクロスモーダル変調と、動的勾配競争を利用するカスタマイズされた逆トレーニングスキームの2つのコアモジュールを導入している。 AMMNetは最先端のSSC法よりも大きなマージンで優れていた。
  論文  参考訳（メタデータ） (2024-03-12T11:48:49Z)
• Multi-Point Integrated Sensing and Communication: Fusion Model and Functionality Selection [99.67715229413986]
  本稿では,複数のISACデバイスからの出力を融合させて高感度化を実現する多点ISAC(MPISAC)システムを提案する。 我々は,仮説テストと最適投票分析により,融合精度を予測する融合モデルを採用する。
  論文  参考訳（メタデータ） (2022-08-16T08:09:54Z)

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。