論文の概要: Scenario-Adaptive MU-MIMO OFDM Semantic Communication With Asymmetric Neural Network
- arxiv url: http://arxiv.org/abs/2602.13557v1
- Date: Sat, 14 Feb 2026 02:15:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-17 14:17:28.145526
- Title: Scenario-Adaptive MU-MIMO OFDM Semantic Communication With Asymmetric Neural Network
- Title（参考訳）: 非対称ニューラルネットワークを用いたシナリオ適応型MU-MIMO ofDMセマンティック通信
- Authors: Chongyang Li, Tianqian Zhang, Shouyin Liu,
- Abstract要約: ダウンリンク伝送に適した非対称アーキテクチャを備えたシナリオ適応型MU-MIMOSemComフレームワークを提案する。
送信機では,チャネル状態情報(CSI)とSNR(Signal-to-Noise Ratio)に基づいて動的に特徴抽出を行うシナリオ対応セマンティックエンコーダを導入する。
受信機において、新規なパイロット誘導注意機構を備えた軽量デコーダを用いて、チャネル等化及び特徴校正を暗黙的に行う。
- 参考スコア（独自算出の注目度）: 1.8534178102035817
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Semantic Communication (SemCom) has emerged as a promising paradigm for 6G networks, aiming to extract and transmit task-relevant information rather than minimizing bit errors. However, applying SemCom to realistic downlink Multi-User Multi-Input Multi-Output (MU-MIMO) Orthogonal Frequency Division Multiplexing (OFDM) systems remains challenging due to severe Multi-User Interference (MUI) and frequency-selective fading. Existing Deep Joint Source-Channel Coding (DJSCC) schemes, primarily designed for point-to-point links, suffer from performance saturation in multi-user scenarios. To address these issues, we propose a scenario-adaptive MU-MIMO SemCom framework featuring an asymmetric architecture tailored for downlink transmission. At the transmitter, we introduce a scenario-aware semantic encoder that dynamically adjusts feature extraction based on Channel State Information (CSI) and Signal-to-Noise Ratio (SNR), followed by a neural precoding network designed to mitigate MUI in the semantic domain. At the receiver, a lightweight decoder equipped with a novel pilot-guided attention mechanism is employed to implicitly perform channel equalization and feature calibration using reference pilot symbols. Extensive simulation results over 3GPP channel models demonstrate that the proposed framework significantly outperforms DJSCC and traditional Separate Source-Channel Coding (SSCC) schemes in terms of Peak Signal-to-Noise Ratio (PSNR) and classification accuracy, particularly in low-SNR regimes, while maintaining low latency and computational cost on edge devices.
- Abstract（参考訳）: セマンティック・コミュニケーション (Semantic Communication, SemCom) は6Gネットワークにとって有望なパラダイムとして登場し, ビットエラーを最小限に抑えてタスク関連情報を抽出し, 送信することを目的としている。
しかし、SemComを現実的なダウンリンクマルチユーザマルチ入力マルチアウトプット(MU-MIMO)の直交周波数分割多重化(OFDM)システムに適用することは、MUI(Multi-User Interference)と周波数選択型フェーディングにより困難である。
既存のDJSCC(Deep Joint Source-Channel Coding)スキームは、主にポイントツーポイントリンク用に設計されており、マルチユーザシナリオのパフォーマンス飽和に悩まされている。
これらの問題に対処するために,ダウンリンク伝送に適した非対称アーキテクチャを備えたシナリオ適応型MU-MIMO SemComフレームワークを提案する。
送信機では,チャネル状態情報(CSI)とSNR(Signal-to-Noise Ratio)に基づいて特徴抽出を動的に調整するシナリオ対応セマンティックエンコーダを導入する。
受信機では、新しいパイロット誘導注意機構を備えた軽量デコーダを用いて、基準パイロットシンボルを用いてチャネル等化及び特徴校正を暗黙的に行う。
3GPPチャネルモデルに対する広範囲なシミュレーション結果から,提案手法はDJSCCや従来の分離音源符号化(SSCC)方式よりも,ピーク信号対雑音比(PSNR)や分類精度,特に低SNR方式では高い性能を示し,エッジデバイス上での低レイテンシと計算コストを維持している。
関連論文リスト
- Context Video Semantic Transmission with Variable Length and Rate Coding over MIMO Channels [49.624608869195065]
無線ビデオ伝送のためのコンテキストビデオセマンティックトランスミッション(CVST)フレームワークを提案する。
我々は、特徴群と多重入力多重出力(MIMO)サブチャネルの関係を明確に定式化するために、コンテキストチャネル相関マップを学習する。
近年の無線ビデオ・セマンティック・コミュニケーション・アプローチにおいて,標準化された分離符号化方式に対して性能が大幅に向上したことを示す。
論文 参考訳（メタデータ） (2025-12-23T10:48:43Z) - ReQuestNet: A Foundational Learning model for Channel Estimation [10.657960540744286]
本稿では,5G以降におけるチャネル推定(CE)のための新しいニューラルネットワーク,Recurrent Equivariant UERS Estimation Network(ReQuestNet)を提案する。
無線通信システムにおいて、リソースブロックの可変数(RB)、送信層の動的数、物理的リソースブロックグループ(PRG)バンドルサイズ(BS)、復調参照信号(DMRS)パターンを単一統一モデルで処理し、CEパイプラインを劇的に単純化するなど、いくつかの実践的な考察を取り入れている。
論文 参考訳（メタデータ） (2025-08-12T09:44:47Z) - Adaptive Source-Channel Coding for Semantic Communications [48.13990936094994]
セマンティック通信 (Semantic Communications, SemComs) は, 共同データとタスク指向の伝送において, 有望なパラダイムとして登場した。
SemComsの現在のジョイントソースチャネル符号化(JSCC)は、既存の通信システムと互換性がない。
並列ガウスチャネル上でのSemComsの適応型ソースチャネル符号化方式を提案する。
論文 参考訳（メタデータ） (2025-08-11T13:09:54Z) - VQ-DeepISC: Vector Quantized-Enabled Digital Semantic Communication with Channel Adaptive Image Transmission [8.858565507331395]
意味的特徴の離散化は、意味的コミュニケーションシステムとデジタルコミュニケーションシステムの相互運用を可能にする。
チャネル適応画像伝送を用いたベクトル量子化(VQ)対応ディジタルセマンティック通信システムを提案する。
論文 参考訳（メタデータ） (2025-08-01T02:35:34Z) - Channel-Feedback-Free Transmission for Downlink FD-RAN: A Radio Map based Complex-valued Precoding Network Approach [21.53419874372417]
本稿では,物理層フィードバックに頼ることなく,新しい伝送方式を提案する。
具体的には,無線地図に基づく複合値プリコーディングネットワーク(RMCPNet)モデルを設計し,ユーザ位置に基づいて基地局プリコーディングを出力する。
提案手法をパブリックなDeepMIMOデータセット上で評価し,RMCPNetが16%,76%の性能改善を実現可能であることを示す。
論文 参考訳（メタデータ） (2023-11-30T02:41:04Z) - Communication-Efficient Framework for Distributed Image Semantic
Wireless Transmission [68.69108124451263]
IoTデバイスを用いたマルチタスク分散画像伝送のためのFederated Learning-based semantic communication (FLSC)フレームワーク。
各リンクは階層型視覚変換器(HVT)ベースの抽出器とタスク適応トランスレータで構成される。
チャネル状態情報に基づく多重出力多重出力伝送モジュール。
論文 参考訳（メタデータ） (2023-08-07T16:32:14Z) - 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 Rate-Splitting Multiple Access for Reconfigurable
Intelligent Surface-Aided Tera-Hertz Massive MIMO [56.022764337221325]
再構成可能なインテリジェントサーフェス(RIS)は,Tera-Hertz大規模マルチインプットマルチアウトプット(MIMO)通信システムのサービスカバレッジを大幅に向上させることができる。
しかし、パイロットとフィードバック信号のオーバーヘッドが限定された正確な高次元チャネル状態情報(CSI)を得ることは困難である。
本稿では、RIS支援Tera-Hertzマルチユーザアクセスシステムのための、ディープラーニング(DL)に基づくレート分割多重アクセス方式を提案する。
論文 参考訳（メタデータ） (2022-09-18T03:07:37Z) - Neural Network-based OFDM Receiver for Resource Constrained IoT Devices [44.8697473676516]
モノのインターネット(IoT)のための新しいモジュール型機械学習(ML)ベースのレシーバチェーンの設計について検討する。
MLブロックはOFDM受信機の個々の処理ブロックを置換し,従来のチャネル推定,シンボルデマッピング,デコードブロックをニューラルネットワーク(NN)で置き換える。
提案手法は,従来の非MLレシーバのビット誤り率を,シミュレーションとオーバー・ザ・エアで平均61%,10%向上させるものである。
論文 参考訳（メタデータ） (2022-05-12T15:32:35Z)
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。