Fugu-MT 論文翻訳(概要): Federated Learning-driven Beam Management in LEO 6G Non-Terrestrial Networks

論文の概要: Federated Learning-driven Beam Management in LEO 6G Non-Terrestrial Networks

arxiv url: http://arxiv.org/abs/2603.10983v1
Date: Wed, 11 Mar 2026 17:13:41 GMT
ステータス: 翻訳完了
システム内更新日: 2026-03-12 16:22:33.071893
Title: Federated Learning-driven Beam Management in LEO 6G Non-Terrestrial Networks
Title（参考訳）: LEO 6G非地球ネットワークにおけるフェデレート学習駆動ビーム管理
Authors: Maria Lamprini Bartsioka, Ioannis A. Bartsiokas, Athanasios D. Panagopoulos, Dimitra I. Kaklamani, Iakovos S. Venieris,
Abstract要約: Low Earth Orbit (LEO) Non-Terrestrial Networks (NTN) は、動的伝播条件下での効率的なビーム管理を必要とする。本研究では、衛星星座におけるフェデレートラーニング(FL)に基づくビーム選択について検討する。リアルチャネルとビームフォーミングデータを用いて,MLP(Multi-Layer Perceptron)とGNN(Graph Neural Network)の2つのモデルを評価する。
参考スコア（独自算出の注目度）: 1.54122250013436
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Low Earth Orbit (LEO) Non-Terrestrial Networks (NTNs) require efficient beam management under dynamic propagation conditions. This work investigates Federated Learning (FL)-based beam selection in LEO satellite constellations, where orbital planes operate as distributed learners through the utilization of High-Altitude Platform Stations (HAPS). Two models, a Multi-Layer Perceptron (MLP) and a Graph Neural Network (GNN), are evaluated using realistic channel and beamforming data. Results demonstrate that GNN surpasses MLP in beam prediction accuracy and stability, particularly at low elevation angles, enabling lightweight and intelligent beam management for future NTN deployments.
Abstract（参考訳）: Low Earth Orbit (LEO) Non-Terrestrial Networks (NTN) は、動的伝播条件下での効率的なビーム管理を必要とする。本研究は、高高度プラットフォームステーション(HAPS)を利用して、軌道面を分散学習者として運用するLEO衛星コンステレーションにおけるフェデレートラーニング(FL)に基づくビーム選択について検討する。リアルチャネルとビームフォーミングデータを用いて,MLP(Multi-Layer Perceptron)とGNN(Graph Neural Network)の2つのモデルを評価する。その結果,GNN はビーム予測精度と安定性において MLP を超越しており,特に低高度角では,今後のNTN 展開のための軽量でインテリジェントなビーム管理が可能であった。

関連論文リスト

Large Language Model (LLM)-enabled Reinforcement Learning for Wireless Network Optimization [79.27012080083603]
大型言語モデル(LLM)は、無線ネットワークにおける強化学習を強化するための有望なツールを提供する。マルチエージェント強化学習フレームワークを強化するために,LLM支援状態表現と意味抽出を提案する。
論文参考訳（メタデータ） (2026-01-15T01:42:39Z)
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)
Neural Beam Field for Spatial Beam RSRP Prediction [11.903931127386349]
高密度無線ネットワークにおけるビーム管理には、正確なビームレベル基準信号受信電力(RSRP)の予測が不可欠である。本稿では,空間ビームRSRP予測の効率的かつ解釈可能なハイブリッドニューラルネットワーク物理フレームワークであるNeural Beam Field (NBF)を提案する。
論文参考訳（メタデータ） (2025-08-09T12:05:51Z)
Federated Learning in NTNs: Design, Architecture and Challenges [21.446301665317378]
非地球ネットワーク(NTN)のアーキテクチャにおける分散階層学習(HFL)フレームワークを提案する。我々は,地球低軌道(LEO)衛星と地上クライアントをFLトレーニングプロセスに統合し,静止軌道(GEO)衛星と中地球中軌道(MEO)衛星を中継機として利用する。 i)FLコンステレーションの分散化によるプライバシー向上、(ii)モデルの精度の向上、レイテンシのバランスを保ちながらトレーニング損失の低減、(iii)MEOおよびGEO衛星を利用したユビキタス接続によるFLシステムのスケーラビリティ向上、(iv)
論文参考訳（メタデータ） (2025-03-10T12:53:45Z)
Beam Prediction based on Large Language Models [51.45077318268427]
時系列予測タスクとしてミリ波(mmWave)ビーム予測問題を定式化する。我々は、歴史的観測をトレーニング可能なトークン化器を用いてテキストベースの表現に変換する。提案手法はLLMのパワーを利用して将来の最適ビームを予測する。
論文参考訳（メタデータ） (2024-08-16T12:40:01Z)
Affordances-Oriented Planning using Foundation Models for Continuous Vision-Language Navigation [64.84996994779443]
本稿では,連続視覚言語ナビゲーション(VLN)タスクのためのAffordances-Oriented Plannerを提案する。我々のAO-Plannerは、様々な基礎モデルを統合して、アベイランス指向の低レベルな動き計画とハイレベルな意思決定を実現する。挑戦的なR2R-CEデータセットとRxR-CEデータセットの実験は、AO-Plannerが最先端のゼロショットのパフォーマンスを達成したことを示している。
論文参考訳（メタデータ） (2024-07-08T12:52:46Z)
Communication-Efficient Federated Learning for LEO Satellite Networks Integrated with HAPs Using Hybrid NOMA-OFDM [1.3121410433987561]
本稿では,LEO衛星に適した新しいFL-SatComアプローチであるNomaFedHAPを提案する。 NomaFedHAPは高高度プラットフォーム(HAP)を分散パラメータサーバ(PS)として利用し、衛星の可視性を高める。近距離シェルにおける衛星の停止確率とシステム全体の停止確率のクローズドな表現を導出する。
論文参考訳（メタデータ） (2024-01-01T07:07:27Z)
Edge Selection and Clustering for Federated Learning in Optical Inter-LEO Satellite Constellation [12.489681058742358]
我々は、低軌道(FELLO)のための協調的連合学習を提案している。我々は、低遅延地上ゲートウェイサーバ(GS)が初期信号制御のみを行うのに対し、低ペイロードの衛星間伝送でLEOに全処理を割り当てる。提案したFELLOは、従来の集中型および分散型アーキテクチャよりも高い分類精度と、共同通信と計算のレイテンシを両立させる。
論文参考訳（メタデータ） (2023-03-25T04:24:16Z)
Training Spiking Neural Networks with Local Tandem Learning [96.32026780517097]
スパイキングニューラルネットワーク(SNN)は、前者よりも生物学的に可塑性でエネルギー効率が高いことが示されている。本稿では,局所タンデム学習(Local Tandem Learning, LTL)と呼ばれる一般化学習規則を提案する。 CIFAR-10データセット上の5つのトレーニングエポック内に高速なネットワーク収束を示すとともに,計算複雑性が低い。
論文参考訳（メタデータ） (2022-10-10T10:05:00Z)
Resource Allocation via Graph Neural Networks in Free Space Optical Fronthaul Networks [119.81868223344173]
本稿では,自由空間光(FSO)フロントホールネットワークにおける最適資源割り当てについて検討する。我々は、FSOネットワーク構造を利用するために、ポリシーパラメータ化のためのグラフニューラルネットワーク(GNN)を検討する。本アルゴリズムは,システムモデルに関する知識が不要なモデルフリーでGNNを訓練するために開発された。
論文参考訳（メタデータ） (2020-06-26T14:20:48Z)

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。