論文の概要: Over-The-Air Extreme Learning Machines with XL Reception via Nonlinear Cascaded Metasurfaces

• arxiv url: http://arxiv.org/abs/2601.17749v1
• Date: Sun, 25 Jan 2026 08:47:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-27 15:23:08.3162
• Title: Over-The-Air Extreme Learning Machines with XL Reception via Nonlinear Cascaded Metasurfaces
• Title（参考訳）: 非線形カスケードメタサーフェスによるXL受容によるオーバーザエアエクストリーム学習機
• Authors: Kyriakos Stylianopoulos, Mattia Fabiani, Giulia Torcolacci, Davide Dardari, George C. Alexandropoulos,
• Abstract要約: 本稿では,eXtremely Large (XL) Multiple-Input/Multiple-Output (MIMO)システムを提案する。 我々は,MS要素のXL構造において,提案するXL-MIMO-ELMシステムは,多様なデータセットや無線シナリオにまたがる,ディジタルおよび理想化されたMLモデルに匹敵する性能を実現することを示す。
• 参考スコア（独自算出の注目度）: 32.006222505507935
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The recently envisioned goal-oriented communications paradigm calls for the application of inference on wirelessly transferred data via Machine Learning (ML) tools. An emerging research direction deals with the realization of inference ML models directly in the physical layer of Multiple-Input Multiple-Output (MIMO) systems, which, however, entails certain significant challenges. In this paper, leveraging the technology of programmable MetaSurfaces (MSs), we present an eXtremely Large (XL) MIMO system that acts as an Extreme Learning Machine (ELM) performing binary classification tasks completely Over-The-Air (OTA), which can be trained in closed form. The proposed system comprises a receiver architecture consisting of densely parallel placed diffractive layers of XL MSs followed by a single reception radio-frequency chain. The front layer facing the MIMO channel consists of identical unit cells of a fixed NonLinear (NL) response, while the remaining layers of elements of tunable linear responses are utilized to approximate OTA the trained ELM weights. Our numerical investigations showcase that, in the XL regime of MS elements, the proposed XL-MIMO-ELM system achieves performance comparable to that of digital and idealized ML models across diverse datasets and wireless scenarios, thereby demonstrating the feasibility of embedding OTA learning capabilities into future communication systems.
• Abstract（参考訳）: 最近構想された目標指向通信パラダイムでは、機械学習(ML)ツールを介して無線転送されたデータに対する推論の適用が求められている。 新たな研究の方向性は、Multiple-Input Multiple-Output (MIMO)システムの物理層に直接推論MLモデルを実現することである。 本稿では,プログラム可能なMetaSurfaces (MS) の技術を活用し,OTA(Over-The-Air) のバイナリ分類タスクを完全実行し,クローズドな形式で訓練可能なエクストリームラーニングマシン (ELM) として機能するeXtremely Large (XL) MIMOシステムを提案する。 提案システムは、XLMSの高密度並列配置された拡散層からなる受信機アーキテクチャと、単一受信電波周波数チェーンからなる。 MIMOチャネルに面した前面層は固定されたNonLinear (NL) 応答の同一単位セルから構成され、残りの調整可能な線形応答の要素の層は、トレーニングされたELM重みをOTAに近似するために使用される。 我々は,MS要素のXL構造において,提案するXL-MIMO-ELMシステムは,多様なデータセットや無線シナリオにまたがるデジタルおよび理想のMLモデルに匹敵する性能を実現し,将来的な通信システムにOTA学習機能を組み込む可能性を示す。

関連論文リスト

• Learning to Learn the Macroscopic Fundamental Diagram using Physics-Informed and meta Machine Learning techniques [0.09999629695552192]
  この記事では、データ不足の問題を緩和するために、モデルに新たなタスクを理解して適応するように訓練するフレームワークを提案する。 開発されたモデルは、複数の都市のデータを活用して、他の都市のMFDを異なる検出器とトポロジ構造でモデル化することで、訓練され、テストされる。 その結果, 試験したループ検出器のサブセットに応じて, 17500～36000の流速予測が平均MSE改善した。
  論文  参考訳（メタデータ） (2025-08-19T12:59:58Z)
• Large Language Model-Driven Distributed Integrated Multimodal Sensing and Semantic Communications [5.646293779615063]
  本稿では,新しい大規模言語モデル (LLM) による分散分散マルチモーダルセンシングとセマンティックコミュニケーションフレームワークを提案する。 具体的には、RFモジュールとカメラモジュールを備えた複数の協調センシング装置で構成されている。 Genesis シミュレーションエンジンにより生成された合成多視点RF-視覚データセットの評価結果から,LLM-DiSAC が良好な性能を発揮することが示された。
  論文  参考訳（メタデータ） (2025-05-20T08:00:00Z)
• Universal Approximation with XL MIMO Systems: OTA Classification via Trainable Analog Combining [34.27766974092816]
  eXtremely Large (XL) Multiple-Input Multiple-Output (MIMO) 無線システムはユニバーサル関数近似器の特性を示す。 チャネル係数を隠れ層のランダムノードとして、受信者のアナログコンバインダをトレーニング可能な出力層として扱うことにより、XL MIMOシステムをエクストリーム学習マシン(ELM)フレームワークにキャストする。 理論的解析と数値評価により,XL-MIMO-ELMは様々な色調条件下であっても,ほぼ瞬時訓練と効率的な分類を可能にすることを示した。
  論文  参考訳（メタデータ） (2025-04-17T08:53:30Z)
• WDMoE: Wireless Distributed Large Language Models with Mixture of Experts [65.57581050707738]
  我々は,Mixture of Experts (MoE)に基づく無線分散大言語モデル(LLM)パラダイムを提案する。 我々は,基地局(BS)とモバイルデバイスにゲーティングネットワークと先行するニューラルネットワーク層を配置することにより,LLM内のMoE層を分解する。 我々は、モデルの性能とエンドツーエンドのレイテンシの両方を考慮して、専門家の選択ポリシーを設計する。
  論文  参考訳（メタデータ） (2024-05-06T02:55:50Z)
• Large AI Model Empowered Multimodal Semantic Communications [48.73159237649128]
  本稿では,Large AI Model-based Multimodal SC (LAMMSC) フレームワークを提案する。 まず、条件付きマルチモーダルアライメント(MMA)を提案し、マルチモーダルデータと非モーダルデータ間の変換を可能にする。 次に、パーソナライズされたLLMベースの知識ベース(LKB)を提案し、ユーザがパーソナライズされたセマンティック抽出やリカバリを行うことができる。 最後に,CGE(Generative Adversarial Network-based Channel Estimation)を用いて,無線チャネルの状態情報を推定する。
  論文  参考訳（メタデータ） (2023-09-03T19:24:34Z)
• Machine Learning for QoS Prediction in Vehicular Communication: Challenges and Solution Approaches [46.52224306624461]
  最大スループット予測の強化,例えばストリーミングや高精細マッピングアプリケーションについて検討する。 収集したデータの基盤となる特性をよりよく理解することで、マシンラーニング技術上に信頼性を構築することができるかを強調します。 我々は、説明可能なAIを使用して、機械学習が明示的にプログラムされることなく、無線ネットワークの基本原理を学習できることを示す。
  論文  参考訳（メタデータ） (2023-02-23T12:29:20Z)
• Over-the-Air Split Machine Learning in Wireless MIMO Networks [56.27831295707334]
  スプリット機械学習(ML)では、ニューラルネットワーク(NN)の異なるパーティションが異なる計算ノードによって実行される。 通信負担を軽減するため、OAC(Over-the-air calculation)は通信と同時に計算の全てまたは一部を効率的に実装することができる。
  論文  参考訳（メタデータ） (2022-10-07T15:39:11Z)
• 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)
• Learning-Based UE Classification in Millimeter-Wave Cellular Systems With Mobility [67.81523988596841]
  ミリ波携帯電話通信では、送信機と受信機のビームのアライメントを可能にするビームフォーミング手順が必要である。 効率的なビームトラッキングでは、トラフィックと移動パターンに応じてユーザーを分類することが有利である。 これまでの研究は、機械学習に基づくUE分類の効率的な方法を示してきた。
  論文  参考訳（メタデータ） (2021-09-13T12:00:45Z)

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。