論文の概要: Learning Successive Interference Cancellation for Low-Complexity Soft-Output MIMO Detection

• arxiv url: http://arxiv.org/abs/2601.16586v1
• Date: Fri, 23 Jan 2026 09:37:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-26 14:27:27.621264
• Title: Learning Successive Interference Cancellation for Low-Complexity Soft-Output MIMO Detection
• Title（参考訳）: 低複雑ソフト出力MIMO検出のための逐次干渉キャンセラ法
• Authors: Benedikt Fesl, Fatih Capar,
• Abstract要約: recurSICは、軽量な学習ベースのマルチインプット・マルチアウトプット(MIMO)検出フレームワークである。 チューナブルな複雑性パラメータを持つマルチパス仮説追跡により、信頼性の高いソフト情報を生成する。 現実的な無線シナリオにおける数値的な結果は、RecurSICが非常に低い複雑さで強い硬度および軟度検出性能を達成することを示している。
• 参考スコア（独自算出の注目度）: 4.941630596191806
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Low-complexity multiple-input multiple-output (MIMO) detection remains a key challenge in modern wireless systems, particularly for 5G reduced capability (RedCap) and internet-of-things (IoT) devices. In this context, the growing interest in deploying machine learning on edge devices must be balanced against stringent constraints on computational complexity and memory while supporting high-order modulation. Beyond accurate hard detection, reliable soft information is equally critical, as modern receivers rely on soft-input channel decoding, imposing additional requirements on the detector design. In this work, we propose recurSIC, a lightweight learning-based MIMO detection framework that is structurally inspired by successive interference cancellation (SIC) and incorporates learned processing stages. It generates reliable soft information via multi-path hypothesis tracking with a tunable complexity parameter while requiring only a single forward pass and a minimal parameter count. Numerical results in realistic wireless scenarios show that recurSIC achieves strong hard- and soft-detection performance at very low complexity, making it well suited for edge-constrained MIMO receivers.
• Abstract（参考訳）: 低複雑さのマルチインプット多重出力(MIMO)検出は、現代の無線システムにおいて、特に5Gリダクション能力(RedCap)とIoT(Internet-of-Things)デバイスにおいて、依然として重要な課題である。 この文脈では、エッジデバイスに機械学習をデプロイすることに対する関心の高まりは、高次変調をサポートしながら、計算複雑性とメモリに対する厳密な制約とバランスをとらなければならない。 正確なハード検出以外にも、信頼性の高いソフト情報は同様に重要であり、現代の受信機はソフトインプットチャネルの復号化に依存しており、検出器設計にさらなる要件を課している。 本研究では、連続的干渉キャンセル(SIC)に着想を得て学習段階を組み込んだ軽量な学習ベースMIMO検出フレームワークであるrecurSICを提案する。 単一のフォワードパスと最小パラメータカウントしか必要とせず、調整可能な複雑性パラメータを持つマルチパス仮説トラッキングによる信頼性の高いソフト情報を生成する。 現実的な無線シナリオにおける数値的な結果から、RecurSICは非常に低複雑性で強硬度および軟質な検出性能を実現し、エッジ制約MIMO受信機に適していることが示された。

関連論文リスト

• PhyG-MoE: A Physics-Guided Mixture-of-Experts Framework for Energy-Efficient GNSS Interference Recognition [49.955269674859004]
  本稿では,PhyG-MoE(Physics-Guided Mixture-of-Experts)について述べる。 静的アーキテクチャとは異なり、提案システムはスペクトル特性の絡み合いに基づいて信号をルーティングするスペクトルベースのゲーティング機構を用いる。 高容量のTransNeXtエキスパートがオンデマンドでアクティベートされ、飽和シナリオで複雑な機能を分離する一方、軽量のエキスパートは基本的なシグナルを処理してレイテンシを最小化する。
  論文  参考訳（メタデータ） (2026-01-19T07:57:52Z)
• Soft Graph Transformer for MIMO Detection [23.616336786063552]
  ソフトグラフ変換器(Soft Graph Transformer、SGT)は、ML(Maximum Likelihood)検出のために設計されたソフトインプット・ソフトアウトプット・ニューラルアーキテクチャである。 SGTは、シンボルと制約サブグラフ内のコンテキスト依存をエンコードするセルフアテンションと、サブグラフを横断する構造化メッセージパッシングを実行するグラフ対応のクロスアテンションを組み合わせることで、これらの制限に対処する。 実験では、SGTがほぼMLのパフォーマンスを達成し、ソフトなプリエンスを利用するレシーバシステムのためのフレキシブルで解釈可能なフレームワークを提供することを示した。
  論文  参考訳（メタデータ） (2025-09-16T05:42:45Z)
• A Low-Complexity Plug-and-Play Deep Learning Model for Massive MIMO Precoding Across Sites [5.896656636095934]
  MMIMO技術は、スペクトル効率とネットワーク容量を向上させることで、無線通信を変革した。 本稿では,既存のアプローチの複雑性問題に対処するための,新しいディープラーニングベースのmMIMOプリコーダを提案する。
  論文  参考訳（メタデータ） (2025-02-12T20:02:36Z)
• DUIDD: Deep-Unfolded Interleaved Detection and Decoding for MIMO Wireless Systems [25.372069988747114]
  繰り返し検出・復号化(IDD)は、マルチアンテナ無線システムにおいて、ほぼキャパシティ性能を実現することが知られている。 我々は,IDDの複雑さを低減しつつ,エラー率をさらに低くする新たなパラダイムであるdeep-Unfolded Interleaved Detection and Decoding (DUIDD)を提案する。
  論文  参考訳（メタデータ） (2022-12-15T13:32:36Z)
• Signal Detection in MIMO Systems with Hardware Imperfections: Message Passing on Neural Networks [101.59367762974371]
  本稿では,Multi-Input-multiple-output (MIMO)通信システムにおける信号検出について検討する。 パイロット信号が限られているディープニューラルネットワーク(DNN)のトレーニングは困難であり、実用化を妨げている。 我々は、ユニタリ近似メッセージパッシング(UAMP)アルゴリズムを利用して、効率的なメッセージパッシングに基づくベイズ信号検出器を設計する。
  論文  参考訳（メタデータ） (2022-10-08T04:32:58Z)
• Pervasive Machine Learning for Smart Radio Environments Enabled by Reconfigurable Intelligent Surfaces [56.35676570414731]
  Reconfigurable Intelligent Surfaces(RIS)の新たな技術は、スマート無線環境の実現手段として準備されている。 RISは、無線媒体上の電磁信号の伝搬を動的に制御するための、高度にスケーラブルで低コストで、ハードウェア効率が高く、ほぼエネルギーニュートラルなソリューションを提供する。 このような再構成可能な無線環境におけるRISの密配置に関する大きな課題の1つは、複数の準曲面の効率的な構成である。
  論文  参考訳（メタデータ） (2022-05-08T06:21:33Z)
• Model-based Deep Learning Receiver Design for Rate-Splitting Multiple Access [65.21117658030235]
  本研究では,モデルベース深層学習(MBDL)に基づく実用的なRSMA受信機の設計を提案する。 MBDL受信機は、符号なしシンボル誤り率(SER)、リンクレベルシミュレーション(LLS)によるスループット性能、平均トレーニングオーバーヘッドの観点から評価される。 その結果,MBDLはCSIRが不完全なSIC受信機よりも優れていた。
  論文  参考訳（メタデータ） (2022-05-02T12:23:55Z)
• A Compressive Sensing Approach for Federated Learning over Massive MIMO Communication Systems [82.2513703281725]
  フェデレートラーニング(Federated Learning)は、無線デバイスとのコラボレーションによって、中央サーバでグローバルモデルをトレーニングするための、プライバシ保護のアプローチである。 本稿では,大規模マルチインプット多出力通信システム上でのフェデレーション学習のための圧縮センシング手法を提案する。
  論文  参考訳（メタデータ） (2020-03-18T05:56:27Z)
• DeepSIC: Deep Soft Interference Cancellation for Multiuser MIMO Detection [98.43451011898212]
  複数のシンボルが同時に送信されるマルチユーザマルチインプットマルチアウトプット(MIMO)設定では、正確なシンボル検出が困難である。 本稿では,DeepSICと呼ぶ反復ソフト干渉キャンセリング(SIC)アルゴリズムの,データ駆動による実装を提案する。 DeepSICは、チャネルを線形にすることなく、限られたトレーニングサンプルから共同検出を行うことを学ぶ。
  論文  参考訳（メタデータ） (2020-02-08T18:31:00Z)

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。