論文の概要: Multi-Modal Data-Enhanced Foundation Models for Prediction and Control in Wireless Networks: A Survey

• arxiv url: http://arxiv.org/abs/2601.03181v1
• Date: Tue, 06 Jan 2026 16:59:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-07 17:02:13.033064
• Title: Multi-Modal Data-Enhanced Foundation Models for Prediction and Control in Wireless Networks: A Survey
• Title（参考訳）: 無線ネットワークにおける予測・制御のためのマルチモーダルデータ強化基礎モデル:調査
• Authors: Han Zhang, Mohammad Farzanullah, Mohammad Ghassemi, Akram Bin Sediq, Ali Afana, Melike Erol-Kantarci,
• Abstract要約: ファンデーションモデル(FM)は、人工知能(AI)の未来を形作り始めた革新的ブレークスルーとして認識されている 本稿では,無線ネットワークにおけるFM,特にマルチモーダルFMの利用について論じる。
• 参考スコア（独自算出の注目度）: 9.762879334040566
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Foundation models (FMs) are recognized as a transformative breakthrough that has started to reshape the future of artificial intelligence (AI) across both academia and industry. The integration of FMs into wireless networks is expected to enable the development of general-purpose AI agents capable of handling diverse network management requests and highly complex wireless-related tasks involving multi-modal data. Inspired by these ideas, this work discusses the utilization of FMs, especially multi-modal FMs in wireless networks. We focus on two important types of tasks in wireless network management: prediction tasks and control tasks. In particular, we first discuss FMs-enabled multi-modal contextual information understanding in wireless networks. Then, we explain how FMs can be applied to prediction and control tasks, respectively. Following this, we introduce the development of wireless-specific FMs from two perspectives: available datasets for development and the methodologies used. Finally, we conclude with a discussion of the challenges and future directions for FM-enhanced wireless networks.
• Abstract（参考訳）: ファウンデーションモデル(FM)は、学界と産業の両方で人工知能(AI)の未来を形作る変革的なブレークスルーとして認識されている。 FMを無線ネットワークに統合することで、多様なネットワーク管理要求やマルチモーダルデータを含む高度に複雑な無線関連タスクを処理できる汎用AIエージェントの開発が可能になることが期待されている。 これらのアイデアにインスパイアされた本研究では,FM,特に無線ネットワークにおけるマルチモーダルFMの利用について論じる。 我々は,無線ネットワーク管理における2つの重要なタスク – 予測タスクと制御タスク – に焦点をあてる。 特に,無線ネットワークにおけるFM対応マルチモーダルコンテキスト情報理解について論じる。 次に,予測タスクと制御タスクにFMを適用する方法について説明する。 次に、開発のための利用可能なデータセットと使用する方法論の2つの視点から、無線専用FMの開発について紹介する。 最後に,FM無線ネットワークの課題と今後の方向性について論じる。

関連論文リスト

• Multimodal Wireless Foundation Models [7.397099215417549]
  我々は、生のIQストリームと画像のような無線モダリティの両方を処理できる最初のマルチモーダル無線基盤モデルを構築した。 画像ベース(人間の活動センシング,RF信号分類,5G NR位置決め)とIQベース(RFデバイス指紋認証,干渉検出・分類)の5つの課題を対象としたモデルの評価を行った。
  論文  参考訳（メタデータ） (2025-11-19T06:26:49Z)
• Sensing and Understanding the World over Air: A Large Multimodal Model for Mobile Networks [59.23869884913339]
  無線ネイティブなマルチモーダル大モデル(WMLM)は、マルチモーダルデータによって物理世界を理解し、理解することができる。 我々は、GPTスタイルのWMLMモデルを構築し、それを現実世界の大規模データセット上で訓練し、無線信号をコントラスト学習のためのアンカーモダリティとして活用した。
  論文  参考訳（メタデータ） (2025-11-17T07:33:46Z)
• Hierarchical Federated Foundation Models over Wireless Networks for Multi-Modal Multi-Task Intelligence: Integration of Edge Learning with D2D/P2P-Enabled Fog Learning Architectures [58.72593025539547]
  本稿では,階層型フェデレーション基礎モデル(HF-FM)を提案することで,M3T FFMの探索されていないバリエーションを明らかにする。 HF-FMはM3T FMのモジュール構造を戦略的に整列させ、モダリティエンコーダ、プロンプト、ME(Mixy-of-Experts)、アダプタ、タスクヘッドから構成される。 その可能性を実証するため,無線ネットワーク環境におけるHF-FMの試作と,HF-FMの開発のためのオープンソースコードのリリースを行った。
  論文  参考訳（メタデータ） (2025-09-03T20:23:19Z)
• Diffusion Models for Future Networks and Communications: A Comprehensive Survey [65.97057929688499]
  近年のGenerative AI(GenAI)の台頭は、無線通信やネットワークの変革的進歩を触媒している。 GenAIファミリーの中では、拡散モデル(DM)が強力な選択肢として注目されている。 我々は,将来の通信システムにおけるDMの理論的基礎と実践的応用の包括的概要を提供する。
  論文  参考訳（メタデータ） (2025-08-03T04:59:58Z)
• The Role of Federated Learning in a Wireless World with Foundation Models [59.8129893837421]
  ファンデーションモデル(FM)は汎用人工知能(AI)モデルである。 現在、FMと連邦学習(FL)の相互作用の探索はまだ初期段階にある。 本稿では、FMが無線ネットワークよりもFLに適した範囲について検討し、その研究課題と機会について概観する。
  論文  参考訳（メタデータ） (2023-10-06T04:13:10Z)

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。