Fugu-MT 論文翻訳(概要): Rethinking Beam Management: Generalization Limits Under Hardware Heterogeneity

論文の概要: Rethinking Beam Management: Generalization Limits Under Hardware Heterogeneity

arxiv url: http://arxiv.org/abs/2602.18151v1
Date: Fri, 20 Feb 2026 11:30:13 GMT
ステータス: 翻訳完了
システム内更新日: 2026-02-23 18:01:41.30848
Title: Rethinking Beam Management: Generalization Limits Under Hardware Heterogeneity
Title（参考訳）: ビーム管理を再考する: ハードウェアの不均一性の下での一般化限界
Authors: Nikita Zeulin, Olga Galinina, Ibrahim Kilinc, Sergey Andreev, Robert W. Heath,
Abstract要約: ハードウェアの不均一性は、5G以降のビームベースの通信に新たな課題をもたらす。この記事では、機械学習ベースのアルゴリズムにおいて、ハードウェアの不均一性を第一級の設計上の問題として扱う必要性を強調します。
参考スコア（独自算出の注目度）: 2.6232213830653337
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Hardware heterogeneity across diverse user devices poses new challenges for beam-based communication in 5G and beyond. This heterogeneity limits the applicability of machine learning (ML)-based algorithms. This article highlights the critical need to treat hardware heterogeneity as a first-class design concern in ML-aided beam management. We analyze key failure modes in the presence of heterogeneity and present case studies demonstrating their performance impact. Finally, we discuss potential strategies to improve generalization in beam management.
Abstract（参考訳）: 多様なユーザデバイスにまたがるハードウェアの不均一性は、5G以降のビームベースの通信に新たな課題をもたらす。この不均一性は、機械学習(ML)ベースのアルゴリズムの適用性を制限する。本稿では,ML支援ビーム管理において,ハードウェアの不均一性を第一級の設計上の問題として扱うことの重要性を強調した。異種の存在下での重要な障害モードを解析し、その性能への影響を示すケーススタディを示す。最後に、ビーム管理における一般化を改善するための潜在的戦略について議論する。

関連論文リスト

RooflineBench: A Benchmarking Framework for On-Device LLMs via Roofline Analysis [53.90240071275054]
SLM(Small Language Models)によるローカライズドインテリジェンスへの移行により、リソース制約のあるエッジハードウェア上での厳密なパフォーマンス評価の必要性が高まっている。運用強度レンズ(OI)によるアーキテクチャプリミティブとハードウェア制約を統一する体系的フレームワークを提案する。推論-ポテンシャル領域を定義することにより、同一ハードウェア基板上のLarge Language Models(LLM)の効率差を比較するための新しい指標として、相対推論ポテンシャルを導入する。
論文参考訳（メタデータ） (2026-02-12T03:02:22Z)
OmniVL-Guard: Towards Unified Vision-Language Forgery Detection and Grounding via Balanced RL [63.388513841293616]
既存の偽造検出手法は、現実世界の誤報に多いインターリーブされたテキスト、画像、ビデオを扱うのに失敗する。このギャップを埋めるため,本論文では,オムニバス・ビジョン言語による偽造検出と接地のための統一フレームワークの開発を目標としている。我々は、OmniVL-Guardという、オムニバス視覚言語による偽造検出と接地のためのバランスの取れた強化学習フレームワークを提案する。
論文参考訳（メタデータ） (2026-02-11T09:41:36Z)
HiMoE-VLA: Hierarchical Mixture-of-Experts for Generalist Vision-Language-Action Policies [83.41714103649751]
具体的インテリジェンスモデルの開発は、高品質なロボットのデモデータへのアクセスに依存する。異種多種多様なロボットデータを扱うための視覚言語アクションフレームワークであるHiMoE-VLAを提案する。 HiMoE-VLAは既存のVLAベースラインよりも一貫したパフォーマンス向上を示し、高い精度と堅牢な一般化を実現している。
論文参考訳（メタデータ） (2025-12-05T13:21:05Z)
Practical Policy Distillation for Reinforcement Learning in Radio Access Networks [1.0004172390335917]
重要ながしばしば見落とされがちな障壁は、RANベースバンドハードウェアの計算とメモリの制限にある。本稿では,強化学習に基づくリンク適応タスクの文脈における政策蒸留について検討する。
論文参考訳（メタデータ） (2025-11-09T22:48:10Z)
Unlocking Out-of-Distribution Generalization in Transformers via Recursive Latent Space Reasoning [50.99796659680724]
本研究では,GSM8Kスタイルのモジュラー演算をテストベッドとして用いたTransformerネットワークにおけるアウト・オブ・ディストリビューション(OOD)の一般化について検討する。我々は,OOD一般化の強化を目的とした4つのアーキテクチャ機構のセットを紹介し,検討する。我々はこれらの実験結果を詳細な機械論的解釈可能性分析で補完し、これらのメカニズムがOOD一般化能力をいかに高めるかを明らかにする。
論文参考訳（メタデータ） (2025-10-15T21:03:59Z)
From Description to Detection: LLM based Extendable O-RAN Compliant Blind DoS Detection in 5G and Beyond [10.627289027347274]
コントロールプレーンプロトコルの脆弱性は、Blind Denial of Service (DoS)攻撃など、重大なセキュリティ上の脅威を引き起こす。ゼロショットモードにおけるLarge Language Models (LLM) の機能を利用する新しい異常検出フレームワークを提案する。検出品質は, 表現や長さよりも, 記述の意味的完全性に依存していることを示す。
論文参考訳（メタデータ） (2025-10-08T00:13:02Z)
Causality-Aware Transformer Networks for Robotic Navigation [13.719643934968367]
Visual Navigationの現在の研究は、改善の機会を明らかにしている。 RNNとTransformerの直接的な採用はしばしば、Embodied AIと従来のシーケンシャルなデータモデリングの具体的な違いを見落としている。因果理解モジュールを特徴とするナビゲーション用因果認識変換器(CAT)ネットワークを提案する。
論文参考訳（メタデータ） (2024-09-04T12:53:26Z)
Enhancing Physical Layer Communication Security through Generative AI with Mixture of Experts [80.0638227807621]
生成人工知能(GAI)モデルは、従来のAI手法よりも優れていることを示した。ゲート機構による予測に複数の専門家モデルを使用するMoEは、可能なソリューションを提案する。
論文参考訳（メタデータ） (2024-05-07T11:13:17Z)
Practical Machine Learning Safety: A Survey and Primer [81.73857913779534]
自動運転車のような安全クリティカルなアプリケーションにおける機械学習アルゴリズムのオープンワールド展開は、さまざまなML脆弱性に対処する必要がある。一般化エラーを低減し、ドメイン適応を実現し、外乱例や敵攻撃を検出するための新しいモデルと訓練技術。我々の組織は、MLアルゴリズムの信頼性を異なる側面から向上するために、最先端のML技術を安全戦略にマッピングする。
論文参考訳（メタデータ） (2021-06-09T05:56:42Z)
Reinforcement Learning Assisted Beamforming for Inter-cell Interference Mitigation in 5G Massive MIMO Networks [0.0]
ビームフォーミングは、MMIMO(Multiple-input-multiple-output)通信において重要な技術である。細胞間干渉(ICI)は、周波数再利用技術による5G通信が直面する主な障害の1つである。 5GダウンリンクにおけるICI緩和のための強化学習(RL)支援フルダイナミックビームフォーミングを提案する。
論文参考訳（メタデータ） (2021-01-27T07:18:07Z)

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。