論文の概要: Neural Precoding in Complex Projective Spaces

• arxiv url: http://arxiv.org/abs/2603.07811v1
• Date: Sun, 08 Mar 2026 21:29:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-10 15:13:15.289953
• Title: Neural Precoding in Complex Projective Spaces
• Title（参考訳）: 複素射影空間におけるニューラルプレコーディング
• Authors: Zaid Abdullah, Merouane Debbah, Symeon Chatzinotas, Bjorn Ottersten,
• Abstract要約: ディープラーニングモデルは、チャネル係数から派生した特徴を事前符号化重みから派生したラベルにマッピングするように訓練される。 伝統的に、複素数値チャネルとプリコーダ係数は、実数成分と虚数成分または振幅と位相を用いてパラメータ化される。 本稿では、無線チャネルと重み付き最小二乗誤差(WMMSE)プリコーダベクトルの両方の複素射影空間(CPS)パラメータ化に基づくフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 39.36151459385294
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep-learning (DL)-based precoding in multi-user multiple-input single-output (MU-MISO) systems involves training DL models to map features derived from channel coefficients to labels derived from precoding weights. Traditionally, complex-valued channel and precoder coefficients are parameterized using either their real and imaginary components or their amplitude and phase. However, precoding performance depends on magnitudes of inner products between channel and precoding vectors, which are invariant to global phase rotations. Conventional representations fail to exploit this symmetry, leading to inefficient learning and degraded generalization. To address this, we propose a DL framework based on complex projective space (CPS) parameterizations of both the wireless channel and the weighted minimum mean squared error (WMMSE) precoder vectors. By removing the global phase redundancies inherent in conventional representations, the proposed framework enables the DL model to learn geometry-aligned and physically distinct channel-precoder mappings. Two CPS parameterizations based on real-valued embeddings and complex hyperspherical coordinates are investigated and benchmarked against two baseline methods. Simulation results demonstrate substantial improvements in sum-rate performance and generalization, with negligible increase in model complexity.
• Abstract（参考訳）: マルチユーザマルチインプット・シングルアウトプット(MU-MISO)システムにおける深層学習(DL)に基づくプリコーディングでは、チャネル係数から派生した特徴をプリコーディング重みから派生したラベルにマッピングするDLモデルを訓練する。 伝統的に、複素数値チャネルとプリコーダ係数は、実数成分と虚数成分または振幅と位相を用いてパラメータ化される。 しかし、プリコーディング性能は、大域的な位相回転に不変なチャネルとプリコーディングベクトルの間の内部積の大きさに依存する。 従来の表現はこの対称性を活用できず、非効率な学習と劣化した一般化につながった。 そこで我々は,無線チャネルと重み付き最小平均二乗誤差(WMMSE)プリコーダベクトルの両方の複素射影空間(CPS)パラメータ化に基づくDLフレームワークを提案する。 従来の表現に固有のグローバルな位相冗長性を取り除くことにより、DLモデルは幾何学的に整合し、物理的に異なるチャネルプリコーダマッピングを学習することができる。 実数値埋め込みと複素超球面座標に基づく2つのCPSパラメタライゼーションを, 2つのベースライン法に対して検討し, ベンチマークを行った。 シミュレーションの結果は、モデル複雑性の無視できる増加とともに、サムレート性能と一般化の大幅な改善を示す。

関連論文リスト

• A Low-Complexity Plug-and-Play Deep Learning Model for Generalizable Massive MIMO Precoding [2.3676623211643704]
  MMIMO(Massive multiple-input multiple-output)ダウンリンクプリコーディングはスペクトル効率が高い。 既存のディープラーニング(DL)ベースのソリューションは堅牢性に欠けることが多く、デプロイメントサイト毎に再トレーニングが必要になる。 本稿では,完全ディジタル(FDP)またはハイブリッドビームフォーミング(HBF)プリコーディングのトレーニングが可能なバックボーン付きプラグアンドプレイプリコーダ(PaPP)を提案する。
  論文  参考訳（メタデータ） (2026-01-29T15:56:07Z)
• Generalization Bounds for Transformer Channel Decoders [61.55280736553095]
  本稿では,ECCTの一般化性能を学習理論の観点から検討する。 我々の知る限りでは、この研究はこの種のデコーダに対する最初の理論的一般化保証を提供する。
  論文  参考訳（メタデータ） (2026-01-11T15:56:37Z)
• Element-wise Modulation of Random Matrices for Efficient Neural Layers [0.0]
  軽量で学習可能な要素ワイドパラメータによって変調された固定ランダム行列を用いて,特徴混在を適応から切り離す新しい手法を提案する。 このアーキテクチャは、トレーニング可能なパラメータ数を、様々なベンチマークで信頼性を維持しながら、線形スケールに大幅に削減する。
  論文  参考訳（メタデータ） (2025-12-15T16:16:53Z)
• Turbo-ICL: In-Context Learning-Based Turbo Equalization [30.918855018647385]
  本稿では,大規模言語モデル(LLM)にインスパイアされた,新しい文脈内学習フレームワークを提案する。 パイロット信号とデコーダフィードバックのプロンプトから直接後部シンボル分布を推測する。 トランスフォーマーと状態空間アーキテクチャに基づく2つのモデル変異体を開発し,評価した。
  論文  参考訳（メタデータ） (2025-05-09T16:29:29Z)
• Joint Transmit and Pinching Beamforming for Pinching Antenna Systems (PASS): Optimization-Based or Learning-Based? [89.05848771674773]
  MISO (Multiple-input Single-output) フレームワークを提案する。 それは複数の導波路で構成されており、多数の低コストアンテナ(PA)を備えている。 PAの位置は、大規模パスと空間の両方にまたがるように再構成することができる。
  論文  参考訳（メタデータ） (2025-02-12T18:54:10Z)
• Variational Encoder-Decoders for Learning Latent Representations of Physical Systems [0.0]
  本稿では,物理系のデータ駆動型低次元表現を学習するためのフレームワークを提案する。 地下水流動モデルの観測井における油圧応答のモデル化に成功した。
  論文  参考訳（メタデータ） (2024-12-06T16:46:48Z)
• CSformer: Bridging Convolution and Transformer for Compressive Sensing [65.22377493627687]
  本稿では,CNNからの詳細な空間情報を活用するためのハイブリッドフレームワークと,表現学習の強化を目的としたトランスフォーマーが提供するグローバルコンテキストを統合することを提案する。 提案手法は、適応的なサンプリングとリカバリからなるエンドツーエンドの圧縮画像センシング手法である。 実験により, 圧縮センシングにおける専用トランスアーキテクチャの有効性が示された。
  論文  参考訳（メタデータ） (2021-12-31T04:37:11Z)
• Neural Calibration for Scalable Beamforming in FDD Massive MIMO with Implicit Channel Estimation [10.775558382613077]
  チャネル推定とビームフォーミングは、周波数分割二重化(FDD)大規模マルチインプット多重出力(MIMO)システムにおいて重要な役割を果たす。 受信したアップリンクパイロットに応じて,基地局のビームフォーマを直接最適化する深層学習方式を提案する。 エンド・ツー・エンドの設計のスケーラビリティを向上させるために,ニューラルキャリブレーション法を提案する。
  論文  参考訳（メタデータ） (2021-08-03T14:26:14Z)
• On the Encoder-Decoder Incompatibility in Variational Text Modeling and Beyond [82.18770740564642]
  変分オートエンコーダ(VAE)は、潜時変数と償却変分推論を結合する。 我々は,データ多様体のパラメータ化が不十分なエンコーダ・デコーダの不整合性を観察する。 同一構造を持つ決定論的オートエンコーダとVAEモデルを結合した結合型VAEを提案する。
  論文  参考訳（メタデータ） (2020-04-20T10:34:10Z)

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。