論文の概要: MambaNet: Mamba-assisted Channel Estimation Neural Network With Attention Mechanism

• arxiv url: http://arxiv.org/abs/2601.17108v1
• Date: Fri, 23 Jan 2026 17:26:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-27 15:23:07.232609
• Title: MambaNet: Mamba-assisted Channel Estimation Neural Network With Attention Mechanism
• Title（参考訳）: MambaNet: 注意機構を備えたMamba支援チャネル推定ニューラルネットワーク
• Authors: Dianxin Luan, Chengsi Liang, Jie Huang, Zheng Lin, Kaitao Meng, John Thompson, Cheng-Xiang Wang,
• Abstract要約: 本稿では,より複雑なチャネル推定を実現するために,Mamba支援ニューラルネットワークフレームワークを提案する。 カスタマイズされたMambaアーキテクチャの統合により、提案フレームワークは大規模サブキャリアチャネル推定を効率的に処理する。 従来のマンバ構造とは異なり、チャネル推定性能を向上させるために双方向選択的スキャンを実装した。
• 参考スコア（独自算出の注目度）: 30.651470563778503
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper proposes a Mamba-assisted neural network framework incorporating self-attention mechanism to achieve improved channel estimation with low complexity for orthogonal frequency-division multiplexing (OFDM) waveforms, particularly for configurations with a large number of subcarriers. With the integration of customized Mamba architecture, the proposed framework handles large-scale subcarrier channel estimation efficiently while capturing long-distance dependencies among these subcarriers effectively. Unlike conventional Mamba structure, this paper implements a bidirectional selective scan to improve channel estimation performance, because channel gains at different subcarriers are non-causal. Moreover, the proposed framework exhibits relatively lower space complexity than transformer-based neural networks. Simulation results tested on the 3GPP TS 36.101 channel demonstrate that compared to other baseline neural network solutions, the proposed method achieves improved channel estimation performance with a reduced number of tunable parameters.
• Abstract（参考訳）: 本稿では,直交周波数分割多重化(OFDM)波形,特に多数のサブキャリアを持つ構成において,自己認識機構を取り入れたMamba支援ニューラルネットワークフレームワークを提案する。 カスタマイズされたMambaアーキテクチャの統合により、提案フレームワークは、これらのサブキャリア間の長距離依存性を効果的に捉えながら、大規模サブキャリアチャネル推定を効率的に処理する。 従来のマンバ構造とは異なり、異なるサブキャリアでのチャネルゲインが非因果性であるため、チャネル推定性能を向上させるために双方向選択的スキャンを実装した。 さらに,提案手法はトランスフォーマーベースニューラルネットワークよりも比較的少ない空間複雑性を示す。 3GPP TS 36.101 チャネルで試験されたシミュレーション結果は,他のベースラインニューラルネットワークソリューションと比較して,可変パラメータの削減によるチャネル推定性能の向上が示されている。

関連論文リスト

• Deep Learning Based Joint Channel Estimation and Positioning for Sparse XL-MIMO OFDM Systems [25.910259131859185]
  位置推定とチャネル推定を組み合わせた深層学習に基づく2段階のフレームワークを提案する。 位置決め段階では、ユーザの座標を予測し、チャネル推定段階で利用する。 本稿では,チャネル推定と位置推定のためのU字型マンバアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2025-07-26T12:47:39Z)
• Joint Channel Estimation and Feedback with Masked Token Transformers in Massive MIMO Systems [74.52117784544758]
  本稿では,CSI行列内の固有周波数領域相関を明らかにするエンコーダデコーダに基づくネットワークを提案する。 エンコーダ・デコーダネットワーク全体がチャネル圧縮に使用される。 提案手法は,共同作業における現状のチャネル推定およびフィードバック技術より優れる。
  論文  参考訳（メタデータ） (2023-06-08T06:15:17Z)
• Deep Learning Based Channel Estimation in High Mobility Communications Using Bi-RNN Networks [7.310043452300738]
  本稿では,2重選択チャネルを正確に推定する最適化された双方向リカレントニューラルネットワーク (Bi-RNN) を用いたチャネル推定手法を提案する。 開発されたBi-GRU推定器は、最近提案されたCNNベースの推定器を、異なる移動シナリオで大幅に上回っている。
  論文  参考訳（メタデータ） (2023-04-29T09:20:28Z)
• Low Complexity Channel estimation with Neural Network Solutions [1.0499453838486013]
  我々は、ダウンリンクシナリオでチャネル推定を実現するために、一般的な残差畳み込みニューラルネットワークをデプロイする。 チャネル推定における他のディープラーニング手法と比較して,平均二乗誤差計算の改善が示唆された。
  論文  参考訳（メタデータ） (2022-01-24T19:55:10Z)
• CATRO: Channel Pruning via Class-Aware Trace Ratio Optimization [61.71504948770445]
  本稿では,CATRO (Class-Aware Trace Ratio Optimization) を用いた新しいチャネルプルーニング手法を提案する。 CATROは、他の最先端チャネルプルーニングアルゴリズムと同等の精度で、同様のコストまたは低コストで高い精度を達成できることを示す。 CATROは、クラス認識の特性のため、様々な分類サブタスクに適応的に効率の良いネットワークを創り出すのに適している。
  論文  参考訳（メタデータ） (2021-10-21T06:26:31Z)
• Learning to Perform Downlink Channel Estimation in Massive MIMO Systems [72.76968022465469]
  大規模マルチインプット・マルチアウトプット(MIMO)システムにおけるダウンリンク(DL)チャネル推定について検討する。 一般的なアプローチは、チャネル硬化によって動機付けられた推定値として平均値を使用することである。 本稿では2つの新しい推定法を提案する。
  論文  参考訳（メタデータ） (2021-09-06T13:42:32Z)
• Learning to Estimate RIS-Aided mmWave Channels [50.15279409856091]
  そこでは,観測観測のために,既知の基地局とRIS位相制御行列を併用したアップリンクチャネル推定手法を提案する。 推定性能を向上し, トレーニングオーバーヘッドを低減するため, 深部展開法において, mmWaveチャネルの固有チャネル幅を生かした。 提案したディープ・アンフォールディング・ネットワーク・アーキテクチャは,トレーニングオーバーヘッドが比較的小さく,オンライン計算の複雑さも比較的小さく,最小二乗法(LS)法より優れていることが確認された。
  論文  参考訳（メタデータ） (2021-07-27T06:57:56Z)
• Model-Driven Deep Learning Based Channel Estimation and Feedback for Millimeter-Wave Massive Hybrid MIMO Systems [61.78590389147475]
  本稿では,ミリ波(mmWave)システムのモデル駆動深層学習(MDDL)に基づくチャネル推定とフィードバック方式を提案する。 無線周波数(RF)鎖の限られた数から高次元チャネルを推定するためのアップリンクパイロットオーバーヘッドを低減するために,位相シフトネットワークとチャネル推定器を自動エンコーダとして共同で訓練することを提案する。 MDDLに基づくチャネル推定とフィードバック方式は,最先端の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-04-22T13:34:53Z)
• Pruning the Pilots: Deep Learning-Based Pilot Design and Channel Estimation for MIMO-OFDM Systems [8.401473551081748]
  本稿では,ニューラルネットワークを用いた共同パイロット設計とダウンリンクチャネル推定手法を提案する。 提案したNNアーキテクチャは、周波数対応のパイロット設計に完全連結層を使用し、線形最小二乗誤差(LMMSE)推定に優れる。 また、トレーニング中に高密度のNN層から少ない有意なニューロンを徐々に刈り取ることにより、効果的なパイロットリダクション手法を提案する。
  論文  参考訳（メタデータ） (2020-06-21T13:10:26Z)
• Deep Denoising Neural Network Assisted Compressive Channel Estimation for mmWave Intelligent Reflecting Surfaces [99.34306447202546]
  本稿では,mmWave IRSシステムに対するディープデノイングニューラルネットワークを用いた圧縮チャネル推定法を提案する。 我々はまず、受信チェーンをほとんど使わず、アップリンクのユーザ-IRSチャネルを推定するハイブリッド・パッシブ/アクティブIRSアーキテクチャを導入する。 完全チャネル行列は、圧縮センシングに基づいて限られた測定値から再構成することができる。
  論文  参考訳（メタデータ） (2020-06-03T12:18:57Z)

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。