論文の概要: Knowledge Distillation for mmWave Beam Prediction Using Sub-6 GHz Channels

• arxiv url: http://arxiv.org/abs/2602.04703v1
• Date: Wed, 04 Feb 2026 16:15:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-05 19:45:11.612272
• Title: Knowledge Distillation for mmWave Beam Prediction Using Sub-6 GHz Channels
• Title（参考訳）: Sub-6GHzチャネルを用いたミリ波ビーム予測のための知識蒸留
• Authors: Sina Tavakolian, Nhan Thanh Nguyen, Ahmed Alkhateeb, Markku Juntti,
• Abstract要約: 本稿では,知識蒸留(KD)技術に基づくサブ6GHzチャネル-mmWaveビームマッピングのためのフレームワークを提案する。 提案モデルでは,教師のビーム予測精度とスペクトル効率を向上し,学習可能なパラメータと計算複雑性を99%削減した。
• 参考スコア（独自算出の注目度）: 18.712418156283437
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Beamforming in millimeter-wave (mmWave) high-mobility environments typically incurs substantial training overhead. While prior studies suggest that sub-6 GHz channels can be exploited to predict optimal mmWave beams, existing methods depend on large deep learning (DL) models with prohibitive computational and memory requirements. In this paper, we propose a computationally efficient framework for sub-6 GHz channel-mmWave beam mapping based on the knowledge distillation (KD) technique. We develop two compact student DL architectures based on individual and relational distillation strategies, which retain only a few hidden layers yet closely mimic the performance of large teacher DL models. Extensive simulations demonstrate that the proposed student models achieve the teacher's beam prediction accuracy and spectral efficiency while reducing trainable parameters and computational complexity by 99%.
• Abstract（参考訳）: ミリ波(mmWave)ハイモビリティ環境でのビームフォーミングは、通常、かなりのトレーニングオーバーヘッドを引き起こす。 従来の研究では、サブ6GHzのチャネルが最適mmWaveビームの予測に利用されることが示唆されていたが、既存の手法は計算とメモリの要求を禁止した大規模深層学習(DL)モデルに依存している。 本稿では,知識蒸留(KD)技術に基づくサブ6GHzチャネル-mmWaveビームマッピングのための計算効率の良いフレームワークを提案する。 本研究では, 個別蒸留法と関係蒸留法に基づく2つのコンパクトな学生DLアーキテクチャを開発し, 隠れ層をわずかに保持するが, 大きな教師DLモデルの性能を忠実に再現する。 シミュレーションにより,提案した学生モデルは教師のビーム予測精度とスペクトル効率を向上し,トレーニング可能なパラメータと計算複雑性を99%削減することを示した。

関連論文リスト

• Every Attention Matters: An Efficient Hybrid Architecture for Long-Context Reasoning [73.10669391954801]
  本稿では、Ring-mini-linear-2.0およびRing-flash-linear-2.0を含むRing-linearモデルシリーズについて述べる。 どちらのモデルも線形アテンションとソフトマックスアテンションを効果的に統合するハイブリッドアーキテクチャを採用している。 32億のパラメータ密度モデルと比較して、このシリーズは推論コストを1/10に削減し、元のRingシリーズと比較すると、コストも50%以上削減される。
  論文  参考訳（メタデータ） (2025-10-22T07:59:38Z)
• EfficientLLM: Efficiency in Large Language Models [64.3537131208038]
  大規模言語モデル(LLM)は大きな進歩を導いてきたが、その増加とコンテキストウィンドウは計算、エネルギー、金銭的コストを禁止している。 本稿では,新しいベンチマークであるEfficientLLMを紹介する。
  論文  参考訳（メタデータ） (2025-05-20T02:27:08Z)
• Resource-Efficient Beam Prediction in mmWave Communications with Multimodal Realistic Simulation Framework [57.994965436344195]
  ビームフォーミングは、方向と強度を最適化して信号伝送を改善するミリ波通信において重要な技術である。 マルチモーダルセンシング支援ビーム予測は,ユーザ位置やネットワーク条件を予測するために,さまざまなセンサデータを使用して注目されている。 その有望な可能性にもかかわらず、マルチモーダルセンシング支援ビーム予測の採用は、高い計算複雑性、高いコスト、限られたデータセットによって妨げられている。
  論文  参考訳（メタデータ） (2025-04-07T15:38:25Z)
• Efficient Gravitational Wave Parameter Estimation via Knowledge Distillation: A ResNet1D-IAF Approach [2.4184866684341473]
  本研究では,重力波解析における計算効率を高めるため,知識蒸留技術を用いた新しい手法を提案する。 我々はResNet1Dと逆自己回帰フロー(Inverse Autoregressive Flow, IAF)アーキテクチャを組み合わせたフレームワークを開発し、複雑な教師モデルからの知識をより軽い学生モデルに伝達する。 実験の結果,教師モデルの4.09と比較すると,学生モデルは最適構成(40,100,0.75)で3.70の検証損失を達成し,パラメータの数を43%削減した。
  論文  参考訳（メタデータ） (2024-12-11T03:56:46Z)
• BOOT: Data-free Distillation of Denoising Diffusion Models with Bootstrapping [64.54271680071373]
  拡散モデルは多様な画像を生成する優れた可能性を示している。 知識蒸留は、推論ステップの数を1つか数に減らすための治療法として最近提案されている。 本稿では,効率的なデータフリー蒸留アルゴリズムにより限界を克服するBOOTと呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-06-08T20:30:55Z)
• Deep Learning and Image Super-Resolution-Guided Beam and Power Allocation for mmWave Networks [80.37827344656048]
  我々は,ミリ波(mmWave)ネットワークのためのディープラーニング(DL)誘導ハイブリッドビームとパワーアロケーションアプローチを開発した。 教師付き学習と超解像技術の相乗効果を利用して、低オーバヘッドビームとパワーアロケーションを実現する。
  論文  参考訳（メタデータ） (2023-05-08T05:40:54Z)
• Deep Learning Framework for the Design of Orbital Angular Momentum Generators Enabled by Leaky-wave Holograms [0.6999740786886535]
  本稿では、フラット光学(FO)と機械学習(ML)を併用して、OAMを担持する電磁波を発生させる漏れ波ホログラフィックアンテナの設計手法を提案する。 本システムの性能向上のために,機械学習を用いて,放射パターン全体を効果的に制御できる数学的関数を探索する。 それぞれのパラメータに対して最適な値を決定することができ、結果として所望の放射パターンが生成され、合計77,000個のデータセットが生成される。
  論文  参考訳（メタデータ） (2023-04-25T10:01:04Z)
• Learning and Adaptation in Millimeter-Wave: a Dual Timescale Variational Framework [4.162663632560141]
  ミリ波車両ネットワークはビームトレーニングのオーバーヘッドが大きいため、狭ビーム通信が可能である。 本稿では,通信ビームのダイナミクスを学習し,低オーバーヘッドで適応ビームトレーニングを設計するための学習適応フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-06-27T19:04:18Z)
• Learning Based Hybrid Beamforming Design for Full-Duplex Millimeter Wave Systems [22.478350298755892]
  我々は、FD mmWaveシステムのためのHBF設計のための2つの学習スキーム、すなわち、極端な学習マシンベースのHBFと畳み込みニューラルネットワークベースのHBFを提案する。 その結果、どちらの学習ベーススキームもより堅牢なHBF性能を実現し、少なくとも22.1%のスペクトル効率が得られることが示された。
  論文  参考訳（メタデータ） (2020-04-16T15:48:57Z)

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。