論文の概要: LWM-Temporal: Sparse Spatio-Temporal Attention for Wireless Channel Representation Learning

• arxiv url: http://arxiv.org/abs/2603.10024v1
• Date: Sun, 22 Feb 2026 17:41:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-15 16:38:22.580539
• Title: LWM-Temporal: Sparse Spatio-Temporal Attention for Wireless Channel Representation Learning
• Title（参考訳）: LWM-テンポラル:無線チャネル表現学習のためのスパース時空間注意
• Authors: Sadjad Alikhani, Akshay Malhotra, Shahab Hamidi-Rad, Ahmed Alkhateeb,
• Abstract要約: LWM-Temporalは、モビリティによって引き起こされる進化を捉え、様々な下流タスクで再利用できるユニバーサルチャネル埋め込みを学習する。 LWM-Temporalは、角度遅延時間領域で動作し、スパース時空間注意(SSTA)を導入する LWM-Temporalは、物理インフォームドマスキングのカリキュラムを用いて、自己教師型で事前訓練される。
• 参考スコア（独自算出の注目度）: 15.963908827464302
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: LWM-Temporal is a new member of the Large Wireless Models (LWM) family that targets the spatiotemporal nature of wireless channels. Designed as a task-agnostic foundation model, LWM-Temporal learns universal channel embeddings that capture mobility-induced evolution and are reusable across various downstream tasks. To achieve this objective, LWM-Temporal operates in the angle-delay-time domain and introduces Sparse Spatio-Temporal Attention (SSTA), a propagation-aligned attention mechanism that restricts interactions to physically plausible neighborhoods, reducing attention complexity by an order of magnitude while preserving geometry-consistent dependencies. LWM-Temporal is pretrained in a self-supervised manner using a physics-informed masking curriculum that emulates realistic occlusions, pilot sparsity, and measurement impairments. Experimental results on channel prediction across multiple mobility regimes show consistent improvements over strong baselines, particularly under long horizons and limited fine-tuning data, highlighting the importance of geometry-aware architectures and geometry-consistent pretraining for learning transferable spatiotemporal wireless representations.
• Abstract（参考訳）: LWM-TemporalはLarge Wireless Models(LWM)ファミリーの新たなメンバーであり、無線チャネルの時空間特性をターゲットとしている。 タスクに依存しない基礎モデルとして設計されたLWM-Temporalは、モビリティによって引き起こされる進化を捉え、様々な下流タスクで再利用できるユニバーサルチャネル埋め込みを学習する。 この目的を達成するため、LWM-Temporalは角度遅延時間領域で動作し、Sparse Spatio-Temporal Attention (SSTA)を導入している。 LWM-Temporalは、現実的な閉塞、パイロットの空間性、測定障害をエミュレートする物理インフォームドマスキングのカリキュラムを用いて、自己指導型で事前訓練されている。 複数の移動系におけるチャネル予測実験の結果、特に長い地平線と限られた微調整データの下では、強いベースラインよりも一貫した改善が示され、移動可能な時空間無線表現を学習するための幾何学的アーキテクチャと幾何学的一貫性事前学習の重要性が強調された。

関連論文リスト

• MEMTS: Internalizing Domain Knowledge via Parameterized Memory for Retrieval-Free Domain Adaptation of Time Series Foundation Models [51.506429027626005]
  Memory for Time Series (MEMTS) は、時系列予測における検索不要領域適応のための軽量かつプラグアンドプレイ方式である。 MEMTSの鍵となるコンポーネントは知識永続化モジュール(KPM)であり、ドメイン固有の時間力学を内部化する。 このパラダイムシフトにより、MEMTSは定数時間推論とニアゼロレイテンシによる正確なドメイン適応を実現することができる。
  論文  参考訳（メタデータ） (2026-02-14T14:00:06Z)
• FAConvLSTM: Factorized-Attention ConvLSTM for Efficient Feature Extraction in Multivariate Climate Data [0.193544284424478]
  FAConvLSTMはConvLSTM2Dの代替として設計されたFactized-Attention ConvLSTM層である。 FAConvLSTMはより安定で、解釈可能で、頑健な潜在表現となり、計算オーバーヘッドを大幅に削減する。
  論文  参考訳（メタデータ） (2026-01-16T00:07:46Z)
• Wireless Traffic Prediction with Large Language Model [54.07581399989292]
  TIDESは、無線トラフィック予測のための空間時間相関をキャプチャする新しいフレームワークである。 TIDESは過剰なトレーニングオーバーヘッドを発生させることなく、ドメイン固有のパターンへの効率的な適応を実現する。 この結果から,将来の6Gシステムにおいて,空間認識をLCMベースの予測器に統合することが,スケーラブルでインテリジェントなネットワーク管理の鍵であることが示唆された。
  論文  参考訳（メタデータ） (2025-12-19T04:47:40Z)
• PHASE-Net: Physics-Grounded Harmonic Attention System for Efficient Remote Photoplethysmography Measurement [63.007237197267834]
  既存のディープラーニング手法は、主に生理学的モニタリングであり、理論的な堅牢性を欠いている。 本研究では,Navier-Stokes方程式のヘモダイナミックスから導かれる物理インフォームド r パラダイムを提案し,パルス信号が2次系に従うことを示す。 これは、時間的円錐ネットワーク(TCN)を使用する理論的正当性を提供する。 Phase-Netは高い効率で最先端のパフォーマンスを実現し、理論上は基礎的でデプロイ可能な r ソリューションを提供する。
  論文  参考訳（メタデータ） (2025-09-29T14:36:45Z)
• ST-LINK: Spatially-Aware Large Language Models for Spatio-Temporal Forecasting [7.853736939635847]
  逐次的依存関係をキャプチャする大規模言語モデルの能力を高める新しいフレームワークST-LINKを紹介する。 その鍵となる構成要素は空間拡張注意(SE-Attention)とメモリ検索フィードフォワードネットワーク(MRFFN)である。
  論文  参考訳（メタデータ） (2025-09-17T07:11:45Z)
• World Model-Based Learning for Long-Term Age of Information Minimization in Vehicular Networks [53.98633183204453]
  本稿では,車載ネットワークにおけるパケット完全性認識情報(CAoI)の年齢を最小化するために,新しい世界モデルに基づく学習フレームワークを提案する。 mmWave V2X環境の動的モデルを共同で学習し、リンクスケジューリングの方法を学ぶための軌跡を想像するために使用する世界モデルフレームワークを提案する。 特に、長期的な政策は環境相互作用の代わりに、異なる想像軌道で学習される。
  論文  参考訳（メタデータ） (2025-05-03T06:23:18Z)
• Spatio-Temporal Self-Supervised Learning for Traffic Flow Prediction [36.77135502344546]
  本稿では,新しいST-SSL(Spatio-Supervised Learning)トラフィック予測フレームワークを提案する。 我々のST-SSLは、時空間の畳み込みによって、空間と時間にまたがる情報を符号化する統合モジュール上に構築されている。 4つのベンチマークデータセットの実験では、ST-SSLは様々な最先端のベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2022-12-07T10:02:01Z)
• Imitation Learning for Robust and Safe Real-time Motion Planning: A Contraction Theory Approach [9.35511513240868]
  LAG-ROSは、境界外乱によって乱される安全臨界非線形システムのリアルタイムロバストな動作計画アルゴリズムである。 LAG-ROSはリアルタイム計算のためのより速い実行の速度のより高い制御性能そしてタスクの成功率を達成します。
  論文  参考訳（メタデータ） (2021-02-25T03:47:15Z)

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。