論文の概要: Transformer-Based Cognitive Radio: Adaptive Modulation Strategies Using Transformer Models

• arxiv url: http://arxiv.org/abs/2601.10519v1
• Date: Thu, 15 Jan 2026 15:46:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-16 19:43:19.200649
• Title: Transformer-Based Cognitive Radio: Adaptive Modulation Strategies Using Transformer Models
• Title（参考訳）: Transformer-based Cognitive Radio: Adaptive Modulation Strategies using Transformer Models (特集:情報ネットワーク)
• Authors: Andrea Melis, Andrea Piroddi, Roberto Girau,
• Abstract要約: 本研究は,トランスフォーマーモデル,特にGPT-2アーキテクチャを用いて,無線通信のための新しい変調方式を提案する。 その結果,Transformer 生成した変調スキームは従来の手法に匹敵する性能を得ることができた。
• 参考スコア（独自算出の注目度）: 0.12234742322758417
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cognitive Radio (CR) systems, which dynamically adapt to changing spectrum environments, could benefit significantly from advancements in machine learning technologies. These systems can be enhanced in terms of spectral efficiency, robustness, and security through innovative approaches such as the use of Transformer models. This work investigates the application of Transformer models, specifically the GPT-2 architecture, to generate novel modulation schemes for wireless communications. By training a GPT-2 model on a dataset of existing modulation formulas, new modulation schemes has been created. These generated schemes are then compared to traditional methods using key performance metrics such as Signal-to-Noise Ratio (SNR) and Power Spectrum Density (PSD). The results show that Transformer-generated modulation schemes can achieve performance comparable to, and in some cases outperforming, traditional methods. This demonstrates that advanced CR systems could greatly benefit from the implementation of Transformer models, leading to more efficient, robust, and secure communication systems.
• Abstract（参考訳）: スペクトル環境の変化に動的に適応する認知無線(CR)システムは、機械学習技術の進歩から大きな恩恵を受ける可能性がある。 これらのシステムは、Transformerモデルのような革新的なアプローチによって、スペクトル効率、堅牢性、セキュリティの観点から拡張することができる。 本研究は,トランスフォーマーモデル,特にGPT-2アーキテクチャを用いて,無線通信のための新しい変調方式を提案する。 既存の変調公式のデータセット上でGPT-2モデルをトレーニングすることにより、新しい変調スキームが作成されている。 これらのスキームは、SNR(Signal-to-Noise Ratio)やPSD(Power Spectrum Density)といった重要なパフォーマンス指標を用いて、従来の手法と比較される。 その結果,Transformer 生成した変調方式は従来の手法に匹敵する性能を得ることができた。 このことは、先進的なCRシステムがTransformerモデルの実装から大きな恩恵を受け、より効率的で堅牢でセキュアな通信システムに繋がることを示している。

関連論文リスト

• Chain-of-Thought Enhanced Shallow Transformers for Wireless Symbol Detection [14.363929799618283]
  無線シンボル検出のためのCoT拡張浅層変圧器フレームワークCHOOSE(CHain Of thOught Symbol dEtection)を提案する。 隠れ空間内に自己回帰潜在推論ステップを導入することで、CHOOSEは浅いモデルの推論能力を大幅に改善する。 実験により,本手法は従来の浅層変圧器よりも優れ,深部変圧器に匹敵する性能が得られることが示された。
  論文  参考訳（メタデータ） (2025-06-26T08:41:45Z)
• In-Context Learning for Gradient-Free Receiver Adaptation: Principles, Applications, and Theory [54.92893355284945]
  ディープラーニングベースの無線受信機は、様々なチャネル環境に動的に適応する能力を提供する。 ジョイントトレーニング、ハイパーネットワークベースの手法、メタラーニングを含む現在の適応戦略は、限られた柔軟性を示すか、勾配降下による明示的な最適化を必要とする。 本稿では、インコンテキスト学習(ICL)の新たなパラダイムに根ざした勾配なし適応手法を提案する。
  論文  参考訳（メタデータ） (2025-06-18T06:43:55Z)
• Fusing Global and Local: Transformer-CNN Synergy for Next-Gen Current Estimation [4.945568106952893]
  本稿ではトランスフォーマーとCNNを組み合わせたハイブリッドモデルを提案する。 従来のSPICEシミュレーションで使用される複雑なNewtonイテレーションプロセスを置き換えるもので、Transformerフレームワークの強力なシーケンスモデリング機能を活用する。 実験の結果,従来のSPICEシミュレーションと比較して0.0098の誤差しか得られなかった。
  論文  参考訳（メタデータ） (2025-04-08T19:42:10Z)
• Re-Parameterization of Lightweight Transformer for On-Device Speech Emotion Recognition [10.302458835329539]
  軽量トランスフォーマーモデルの性能向上のための新しい手法であるTransformer Re-パラメータ化を導入する。 実験の結果,提案手法は軽量トランスフォーマーの性能を常に改善し,大規模モデルに匹敵する性能を示した。
  論文  参考訳（メタデータ） (2024-11-14T10:36:19Z)
• Learning Modulated Transformation in GANs [69.95217723100413]
  生成逆数ネットワーク(GAN)のジェネレータに、変調変換モジュール(Modulated transformation module, MTM)と呼ばれるプラグアンドプレイモジュールを装備する。 MTMは、可変位置で畳み込み操作を適用可能な潜在符号の制御下で空間オフセットを予測する。 挑戦的なTaiChiデータセット上での人為的な生成に向けて、StyleGAN3のFIDを21.36から13.60に改善し、変調幾何変換の学習の有効性を実証した。
  論文  参考訳（メタデータ） (2023-08-29T17:51:22Z)
• Transformers as Statisticians: Provable In-Context Learning with In-Context Algorithm Selection [88.23337313766353]
  この研究はまず、変換器がICLを実行するための包括的な統計理論を提供する。 コンテクストにおいて、トランスフォーマーは、幅広い種類の標準機械学習アルゴリズムを実装可能であることを示す。 エンフィングル変換器は、異なるベースICLアルゴリズムを適応的に選択することができる。
  論文  参考訳（メタデータ） (2023-06-07T17:59:31Z)
• Full Stack Optimization of Transformer Inference: a Survey [58.55475772110702]
  トランスフォーマーモデルは広範囲のアプリケーションにまたがって優れた精度を実現する。 最近のTransformerモデルの推測に必要な計算量と帯域幅は、かなり増加しています。 Transformerモデルをより効率的にすることに注力している。
  論文  参考訳（メタデータ） (2023-02-27T18:18:13Z)
• An Artificial Neural Network-Based Model Predictive Control for Three-phase Flying Capacitor Multi-Level Inverter [2.3513645401551333]
  モデル予測制御(MPC)は、単純な概念、高速な動的応答、優れた参照追跡のため、パワーエレクトロニクスで広く使われている。 最適なスイッチング状態を予測するためにシステムの数学的モデルに依存するため、パラメトリックな不確実性に悩まされる。 本稿では,ニューラルネットワーク(ANN)に基づくモデルフリー制御戦略を提案する。
  論文  参考訳（メタデータ） (2021-10-15T13:54:08Z)

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。