論文の概要: Diffusion-Based Generative Priors for Efficient Beam Alignment in Directional Networks

• arxiv url: http://arxiv.org/abs/2604.09653v1
• Date: Mon, 30 Mar 2026 09:21:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-19 19:09:11.601853
• Title: Diffusion-Based Generative Priors for Efficient Beam Alignment in Directional Networks
• Title（参考訳）: 指向性ネットワークにおける高効率ビームアライメントの拡散に基づく生成優先
• Authors: Esraa Fahmy Othman, Lina Bariah, Merouane Debbah,
• Abstract要約: ビームアライメントは、細いビームが正確かつ低オーバーヘッドのトレーニングを必要とする方向のmmWaveとTHzシステムにおいて重要な課題である。 我々は,ビームアライメントを生成タスクとして再キャストし,コンパクトな幾何学的特徴やマルチパス特徴に先立って確率的ビームを学習する条件拡散モデルを提案する。
• 参考スコア（独自算出の注目度）: 2.1326442458534403
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Beam alignment is a key challenge in directional mmWave and THz systems, where narrow beams require accurate yet low-overhead training. Existing learning-based approaches typically predict a single beam and do not quantify uncertainty, limiting adaptive beam sweeping. We recast beam alignment as a generative task and propose a conditional diffusion model that learns a probabilistic beam prior from compact geometric and multipath features. The learned priors guide top-$k$ sweeps and capture the SNR loss induced by limited probing. Using a ray-traced DeepMIMO scenario with an 8-beam DFT codebook, our best conditional diffusion model achieves strong ranking performance (Hit@1 $\approx 0.61$, Hit@3 $\approx 0.90$, Hit@5 $\approx 0.97$) while preserving SNR at small sweep budgets. Compared with a deterministic classifier baseline, diffusion improves Hit@1 by about 180\%. Results further highlight the importance of informative conditioning and the ability of diffusion sampling to flexibly trade accuracy for computational efficiency. The proposed diffusion framework achieves substantial improvements in small-$k$ Hit rates, translating into reduced beam training overhead and enabling low-latency, energy-efficient beam alignment for mmWave and THz systems while preserving received SNR.
• Abstract（参考訳）: ビームアライメントは、細いビームが正確かつ低オーバーヘッドのトレーニングを必要とする方向のmmWaveとTHzシステムにおいて重要な課題である。 既存の学習ベースのアプローチは通常、単一のビームを予測し、不確実性を定量化せず、適応的なビームスイーピングを制限する。 我々は,ビームアライメントを生成タスクとして再キャストし,コンパクトな幾何学的特徴とマルチパス的特徴から確率的ビームを学習する条件拡散モデルを提案する。 学習した事前情報は、制限された探索によって引き起こされるSNR損失を、トップ$$スイープし、キャプチャする。 Hit@1 $\approx 0.61$, Hit@3 $\approx 0.90$, Hit@5 $\approx 0.97$)。 決定論的分類器のベースラインと比較すると、拡散はhit@1を約180\%改善する。 さらに,情報化条件付けの重要性と,計算効率の精度を柔軟に交換する拡散サンプリング能力を強調した。 提案した拡散フレームワークは、受信したSNRを保ちながら、ビームトレーニングのオーバーヘッドを減らし、低レイテンシで省エネルギ効率のビームアライメントを可能にする。

関連論文リスト

• $D^3$-RSMDE: 40$\times$ Faster and High-Fidelity Remote Sensing Monocular Depth Estimation [72.9912717963138]
  リモートセンシング画像からのリアルタイムで高忠実な単眼深度推定は、多くのアプリケーションにとって不可欠である。 視覚変換器(ViT)のバックボーンを高密度な予測に使用するのは速いが、知覚品質は低いことが多い。 リモートセンシング単眼深度推定のための深度詳細拡散法(D3$-RSMDE)を提案する。 D3$-RSMDEは、Learninged Perceptual Image Patch similarity (LPIPS)の知覚距離を11.85%削減する。
  論文  参考訳（メタデータ） (2026-03-17T10:50:36Z)
• Data-regularized Reinforcement Learning for Diffusion Models at Scale [99.01056178660538]
  データ正規化拡散強化学習(Data-regularized Diffusion Reinforcement Learning, DDRL)は, フォワードKLの分散を利用して, 政策を非政治データ分布に固定する新しいフレームワークである。 100万時間以上のGPU実験と1万回の二重盲検評価により、DDRLは、RLで見られる報酬ハックを緩和しながら、報酬を大幅に改善することを示した。
  論文  参考訳（メタデータ） (2025-12-03T23:45:07Z)
• DiffusionNFT: Online Diffusion Reinforcement with Forward Process [99.94852379720153]
  Diffusion Negative-aware FineTuning (DiffusionNFT) は、フローマッチングを通じて前方プロセス上で直接拡散モデルを最適化する新しいオンラインRLパラダイムである。 DiffusionNFTは、CFGフリーのFlowGRPOよりも25倍効率が高い。
  論文  参考訳（メタデータ） (2025-09-19T16:09:33Z)
• Digital Twin-Assisted Explainable AI for Robust Beam Prediction in mmWave MIMO Systems [18.49800990388549]
  本稿では,mmWaveシステムのための頑健で説明可能な深層学習(DL)ベースのビームアライメントエンジンを提案する。 このフレームワークは、現実世界のデータ要求を70%減らし、ビームトレーニングのオーバーヘッドを62%減らし、異常検出を最大8.5倍改善する。 実験結果から,提案フレームワークは実世界のデータ要求を70%削減し,ビームトレーニングのオーバーヘッドを62%削減し,異常検出を最大8.5倍改善した。
  論文  参考訳（メタデータ） (2025-07-12T09:56:20Z)
• Robust Representation Consistency Model via Contrastive Denoising [83.47584074390842]
  ランダムな平滑化は、敵の摂動に対する堅牢性を証明する理論的保証を提供する。 拡散モデルは、ノイズ摂動サンプルを浄化するためにランダムな平滑化に成功している。 我々は,画素空間における拡散軌跡に沿った生成的モデリングタスクを,潜在空間における識別的タスクとして再構成する。
  論文  参考訳（メタデータ） (2025-01-22T18:52:06Z)
• Near-field Beam training for Extremely Large-scale MIMO Based on Deep Learning [20.67122533341949]
  深層学習に基づく近接場ビームトレーニング手法を提案する。 我々は,歴史データからチャネル特性を効率的に学習するために,畳み込みニューラルネットワーク(CNN)を用いる。 提案手法は,従来のビームトレーニング法と比較して,より安定したビームフォーミングゲインを実現し,性能を著しく向上させる。
  論文  参考訳（メタデータ） (2024-06-05T13:26:25Z)
• Soft Threshold Weight Reparameterization for Learnable Sparsity [46.419079691593396]
  本稿では,ソフトスレッショルド演算子の推論重みに対する新しい利用法STRを提案する。 STRはプルーニング閾値を学習しながらスペーサを円滑に誘導し、不均一なスペーサ性予算を得る。 提案手法は,CNNの非構造的間隔に対する最先端の精度(ImageNet-1K上のResNet50とMobileNetV1)を実現し,FLOPを最大50%削減する一様でない予算を学習する。
  論文  参考訳（メタデータ） (2020-02-08T21:31:25Z)

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。