論文の概要: Structured Latent Dynamics in Wireless CSI via Homomorphic World Models

• arxiv url: http://arxiv.org/abs/2603.20048v1
• Date: Fri, 20 Mar 2026 15:32:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 19:48:39.209681
• Title: Structured Latent Dynamics in Wireless CSI via Homomorphic World Models
• Title（参考訳）: 準同型世界モデルによる無線CSIの構造潜在ダイナミクス
• Authors: Salmane Naoumi, Mehdi Bennis, Marwa Chafii,
• Abstract要約: 本稿では,無線チャネルの予測および構造化表現を,コンパクトな潜在空間における状態情報(CSI)の時間的進化をモデル化して学習するための自己教師型フレームワークを提案する。 本手法では,CSIトラジェクトリからの動作条件付き潜伏ダイナミクスの学習にJEPA(Joint Embedding Predictive Architecture)を活用する。
• 参考スコア（独自算出の注目度）: 39.38895182380197
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce a self-supervised framework for learning predictive and structured representations of wireless channels by modeling the temporal evolution of channel state information (CSI) in a compact latent space. Our method casts the problem as a world modeling task and leverages the Joint Embedding Predictive Architecture (JEPA) to learn action-conditioned latent dynamics from CSI trajectories. To promote geometric consistency and compositionality, we parameterize transitions using homomorphic updates derived from Lie algebra, yielding a structured latent space that reflects spatial layout and user motion. Evaluations on the DICHASUS dataset show that our approach outperforms strong baselines in preserving topology and forecasting future embeddings across unseen environments. The resulting latent space enables metrically faithful channel charts, offering a scalable foundation for downstream applications such as mobility-aware scheduling, localization, and wireless scene understanding.
• Abstract（参考訳）: 本稿では,小型の潜伏空間におけるチャネル状態情報(CSI)の時間的進化をモデル化することにより,無線チャネルの予測および構造化表現を学習するための自己教師型フレームワークを提案する。 本手法では,CSIトラジェクトリからの動作条件付き潜伏ダイナミクスの学習にJEPA(Joint Embedding Predictive Architecture)を活用する。 幾何学的整合性と構成性を促進するため,Lie代数から導出される同型更新を用いて遷移をパラメータ化し,空間配置やユーザ動作を反映した構造付き潜在空間を生成する。 DICHASUSデータセットの評価から、我々のアプローチは、トポロジの保存と、目に見えない環境における将来の埋め込み予測において、強いベースラインを上回ります。 結果として生じる遅延空間は、メートル法に忠実なチャネルチャートを可能にし、モビリティ対応のスケジューリング、ローカライゼーション、無線シーン理解といった下流アプリケーションのためのスケーラブルな基盤を提供する。

関連論文リスト

• 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)
• STRAP: Spatio-Temporal Pattern Retrieval for Out-of-Distribution Generalization [29.10084723132903]
  本稿では,時空間探索型パターン学習フレームワークSTRAPを提案する。 推論中、STRAPは現在の入力と類似性に基づいてライブラリから関連するパターンを検索し、プラグイン・アンド・プレイ・プロンプト機構を介してモデルに注入する。 複数の実世界のストリーミンググラフデータセットに対する実験によると、STRAPはSTOODタスクの最先端STGNN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） (2025-05-26T06:11:05Z)
• Geometry-aware Active Learning of Spatiotemporal Dynamic Systems [4.251030047034566]
  本稿では,動的システムのモデリングのための幾何対応能動学習フレームワークを提案する。 データ収集のための空間的位置を戦略的に識別し、予測精度をさらに最大化する適応型能動学習戦略を開発した。
  論文  参考訳（メタデータ） (2025-04-26T19:56:38Z)
• Learning Latent Wireless Dynamics from Channel State Information [31.080933663717257]
  本稿では,潜在空間における無線伝搬環境のダイナミクスをモデル化し,予測するための,データ駆動型機械学習(ML)技術を提案する。 本稿では, 測定データに対する数値的な評価を行い, 提案したJEPAがベンチマークよりも2倍の精度向上を示した。
  論文  参考訳（メタデータ） (2024-09-16T07:15:46Z)
• Context-Conditioned Spatio-Temporal Predictive Learning for Reliable V2V Channel Prediction [25.688521281119037]
  下流タスクの最適化には,V2Vチャネル状態情報(CSI)予測が不可欠である。 従来の予測手法は、時間、帯域幅、アンテナ(TX、RX)空間の予測を含む4次元(4D)CSIに重点を置いている。 本研究では,4次元CSIデータ内の依存関係をキャプチャするコンテキスト条件付き時間予測学習手法を提案する。
  論文  参考訳（メタデータ） (2024-09-16T04:15:36Z)
• Temporal Predictive Coding For Model-Based Planning In Latent Space [80.99554006174093]
  時間的に予測可能な環境要素を符号化するために,時間的予測符号化を用いた情報理論的手法を提案する。 本稿では,DMControl タスクの背景を複雑な情報を含む自然なビデオに置き換える,標準的な DMControl タスクの挑戦的な修正について評価する。
  論文  参考訳（メタデータ） (2021-06-14T04:31:15Z)
• PredRNN: A Recurrent Neural Network for Spatiotemporal Predictive Learning [109.84770951839289]
  歴史的文脈からビジュアルダイナミクスを学習するための新しいリカレントネットワークであるPredRNNを紹介する。 本手法は,3つの標準データセット上で高い競争結果が得られることを示す。
  論文  参考訳（メタデータ） (2021-03-17T08:28:30Z)

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。