論文の概要: Null-Space Flow Matching for MIMO Channel Estimation in Latency-Constrained Systems
- arxiv url: http://arxiv.org/abs/2604.22005v1
- Date: Thu, 23 Apr 2026 18:49:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-27 15:36:26.239242
- Title: Null-Space Flow Matching for MIMO Channel Estimation in Latency-Constrained Systems
- Title（参考訳）: 遅延制約系におけるMIMOチャネル推定のためのNull-Space Flow Matching
- Authors: Junjie Zhao, Guangming Liang, Dongzhu Liu, Xiaonan Liu,
- Abstract要約: 本稿では、パイロット限定チャネル推定をレンジ空間再構成問題とヌル空間生成問題に分解するヌル空間フローマッチング(FM)フレームワークを提案する。
提案手法は,3ms程度の厳密な遅延予算下であっても,競合正規化平均二乗誤差(NMSE)を実現することを示す。
- 参考スコア（独自算出の注目度）: 8.479186000343482
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate yet low-latency channel state information (CSI) acquisition is essential for multiple-input multiple-output (MIMO) communication systems. While advanced deep generative models, such as score-based and diffusion models, enable high-fidelity CSI reconstruction from limited pilot observations, they often suffer from high inference latency. To achieve accurate CSI estimation under stringent latency constraints, this paper proposes a null-space flow matching (FM) framework that decomposes pilot-limited MIMO channel estimation into a range-space reconstruction problem and a null-space generation problem. Specifically, the range-space component of the channel is directly recovered from noisy pilot observations, while only the ambiguous null-space component is iteratively refined using an FM-based generative prior. To further improve the robustness of the proposed framework, we introduce a power-law time schedule to better allocate the limited number of refinement steps, along with a noise-aware adaptive correction strategy to suppress channel noise on the refinement trajectory. Experimental results demonstrate that our method achieves a competitive normalized mean square error (NMSE) even under a strict latency budget of around 3 ms, while delivering superior estimation accuracy and faster inference than both model-based and generative baselines.
- Abstract（参考訳）: マルチインプット多重出力(MIMO)通信システムにおいて,正確な低遅延チャネル状態情報(CSI)取得が不可欠である。
スコアベースや拡散モデルのような先進的な深層生成モデルは、限られたパイロット観測から高忠実度CSI再構成を可能にするが、しばしば高い推論遅延に悩まされる。
本稿では,制限時間制約下での正確なCSI推定を実現するために,パイロット限定MIMOチャネル推定をレンジ空間再構成問題とヌル空間生成問題に分解するヌル空間フローマッチング(FM)フレームワークを提案する。
具体的には、チャネルのレンジスペース成分はノイズの多いパイロット観測から直接回収され、不明瞭なヌルスペース成分のみがFMベースの生成前の生成を用いて反復的に精製される。
提案手法のロバスト性をさらに向上するため,改良段階の限られた数の調整を行うために,改良軌道上のチャネルノイズを抑制するための適応補正戦略とともに,改良段階の限定的な割り当てを行うために,ロバストな時間スケジュールを導入する。
実験により,3ms程度の厳密な遅延予算下であっても,モデルベースおよび生成ベースラインの双方よりも優れた推定精度と高速な推論を実現するとともに,競合正規化平均二乗誤差(NMSE)を実現することを示した。
関連論文リスト
- Direct Interval Propagation Methods using Neural-Network Surrogates for Uncertainty Quantification in Physical Systems Surrogate Model [8.373469792572356]
工学では、不確実性伝播は不確実な入力の下でシステム出力を特徴づけることを目的としている。
標準区間伝搬は、複雑なシステムに計算コストがかかる最適化問題の解法に依存する。
出力境界を直接予測する区間値回帰問題として区間伝搬を再構成する。
論文 参考訳（メタデータ） (2026-03-22T16:25:43Z) - RSS map-assisted MIMO channel estimation in the upper mid-band under pilot constraints [10.076629346147639]
本稿では,モデルに基づくチャネル推定とディープネットワークを組み合わせた新しい物理インフォームドニューラルネットワーク(PINN)フレームワークを提案する。
最先端の手法と比較して、NMSEでは5dB以上のゲインを達成している。
多段階の時間予測のためにデコーダを拡張し、単一の推定値から将来の複数のチャネルスナップショットの正確な予測を可能にする。
論文 参考訳（メタデータ） (2026-02-18T17:41:20Z) - Learning to Separate RF Signals Under Uncertainty: Detect-Then-Separate vs. Unified Joint Models [53.79667447811139]
受信した信号に直接適用した場合、単一のディープニューラルネットワークアーキテクチャが共同で検出および分離することを学習していることを示す。
これらの結果から,UJM は DTS に代わるスケーラブルで実用的な代替品であり,広範に推定された統合分離のための新たな方向を開拓した。
論文 参考訳（メタデータ） (2026-02-04T15:25:02Z) - MFC-RFNet: A Multi-scale Guided Rectified Flow Network for Radar Sequence Prediction [7.015114232190396]
レーダエコーシークエンスからの正確な高分解能降水は、災害軽減と経済計画に不可欠である。
鍵となる課題は、複雑なマルチスケール進化のモデル化、変位に起因するフレーム間特徴の不整合、長距離コンテキストの効率的なキャプチャである。
本稿では,MFRF-Net(Multiscale Feature Communication Rectified Flow Network)を提案する。
論文 参考訳（メタデータ） (2026-01-07T06:24:26Z) - Noise-Robust Tiny Object Localization with Flows [63.60972031108944]
フレキシブルなエラーモデリングと不確実性誘導最適化に正規化フローを活用するノイズローバストローカライゼーションフレームワークを提案する。
本手法は,フローベース誤差モデルを用いて,複雑な非ガウス予測分布を抽出し,ノイズの多い監視下で頑健な学習を可能にする。
不確実性を考慮した勾配変調機構は、トレーニングを安定化しながら過度な適合を緩和し、高不確実でノイズの強いサンプルからの学習をさらに抑制する。
論文 参考訳（メタデータ） (2026-01-02T09:16:55Z) - Conditional neural field for spatial dimension reduction of turbulence data: a comparison study [3.1190164503669684]
条件付きニューラルネットワーク(CNFs)は、メッシュに依存しない座標ベースのデコーダである。
我々は、CNFを適切な直交分解と畳み込みオートエンコーダに対して、統一的な符号化・復号化フレームワーク内でベンチマークする。
複雑度をローカライズする新規ドメイン分解型CNFを提案する。
論文 参考訳（メタデータ） (2025-10-29T03:29:10Z) - FLEX: A Backbone for Diffusion-Based Modeling of Spatio-temporal Physical Systems [51.15230303652732]
FLEX (F Low Expert) は、時間物理系の生成モデリングのためのバックボーンアーキテクチャである。
拡散モデルにおける速度場の分散を低減し、トレーニングの安定化に役立つ。
少数の特徴を2つの逆拡散ステップとして用いて、超解像および予測タスクの正確な予測を行う。
論文 参考訳（メタデータ） (2025-05-23T00:07:59Z) - DA-Flow: Dual Attention Normalizing Flow for Skeleton-based Video Anomaly Detection [52.74152717667157]
本稿では,DAM(Dual Attention Module)と呼ばれる軽量モジュールを提案する。
フレームアテンション機構を使用して、最も重要なフレームを識別し、スケルトンアテンション機構を使用して、最小パラメータとフロップで固定されたパーティション間の広範な関係をキャプチャする。
論文 参考訳（メタデータ） (2024-06-05T06:18:03Z) - Joint Sparsity Pattern Learning Based Channel Estimation for Massive
MIMO-OTFS Systems [46.42375183269616]
大規模マルチインプット・マルチアウトプット(MIMO)変調システムのためのジョイント・スパシティ・パターン・ラーニング(JSPL)に基づくチャネル推定手法を提案する。
シミュレーション結果と解析の結果から,提案したチャネル推定手法は,最先端のベースライン方式よりも性能が向上することが示された。
論文 参考訳（メタデータ） (2024-03-06T15:05:39Z) - Deep Reinforcement Learning for IRS Phase Shift Design in
Spatiotemporally Correlated Environments [93.30657979626858]
本稿では,チャネル相関と目的地動きを考慮したディープアクター批判アルゴリズムを提案する。
チャネルが時間的に相関している場合、コンバージェンスを抑制する方法において、関数近似を伴う状態表現にSNRを組み込むことが示される。
論文 参考訳（メタデータ） (2022-11-02T22:07:36Z) - Deep Learning-Based Synchronization for Uplink NB-IoT [72.86843435313048]
狭帯域モノのインターネット(NB-IoT)における狭帯域物理ランダムアクセスチャネル(NPRACH)のデバイス検出と到着時刻推定のためのニューラルネットワーク(NN)に基づくアルゴリズムを提案する。
導入されたNNアーキテクチャは、残余の畳み込みネットワークと、5Gニューラジオ(5G NR)仕様のプリアンブル構造に関する知識を利用する。
論文 参考訳（メタデータ） (2022-05-22T12:16:43Z)
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。