論文の概要: EVT-Based Generative AI for Tail-Aware Channel Estimation
- arxiv url: http://arxiv.org/abs/2604.25008v1
- Date: Mon, 27 Apr 2026 21:13:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-29 16:49:17.604592
- Title: EVT-Based Generative AI for Tail-Aware Channel Estimation
- Title（参考訳）: EVT-based Generative AI for Tail-Aware Channel Estimation
- Authors: Parmida Valiahdi, Niloofar Mehrnia, Walid Saad, Sinem Coleri,
- Abstract要約: 超信頼性・低レイテンシ通信(URLLC)は第5世代(5G)やネットワークを超えて重要な役割を担い、ミッションクリティカルなアプリケーションを実現する。
非常に低いパケットエラー率と最小レイテンシを特徴とする厳密なURLLC要件を満たすため、無線チャネルにおける稀な事象を正確に捉えるための高度な統計モデリングが求められている。
大規模なデータセットや計算集約的な推定技術に依存する従来の手法は、しばしばリアルタイムのシナリオで失敗する。
本稿では,極値理論(EVT)と生成人工知能の相乗的統合により,URLLC要求を満たす新しい枠組みを提案する。
- 参考スコア（独自算出の注目度）: 43.20914988670818
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Ultra-reliable and low-latency communication (URLLC) will play a key role in fifth-generation (5G) and beyond networks, enabling mission-critical applications. Meeting the stringent URLLC requirements, characterized by extremely low packet error rates and minimal latency, calls for advanced statistical modeling to accurately capture rare events in wireless channels. Traditional methods, such as those that rely on large datasets and computationally intensive estimation techniques, often fail in real-time scenarios. In this paper, a novel framework is proposed to meet URLLC requirements through a synergistic integration of extreme value theory (EVT) with generative artificial intelligence (AI). EVT is used to model channel tail distributions, providing an accurate characterization of rare events. Concurrently, generative AI enables data augmentation and channel parameter estimation from limited samples. The integration of EVT with generative AI can thus help overcome the limitations of generative models in capturing extreme events during channel characterization. Using an experimental dataset collected from an automotive environment, it is demonstrated that this integration enhances data augmentation for extreme quantiles, while requiring fewer samples than traditional analytical EVT methods and generative baselines in online estimation of channel distribution.
- Abstract（参考訳）: 超信頼性・低レイテンシ通信(URLLC)は第5世代(5G)やネットワークを超えて重要な役割を担い、ミッションクリティカルなアプリケーションを実現する。
非常に低いパケットエラー率と最小レイテンシを特徴とする厳密なURLLC要件を満たすため、無線チャネルにおける稀な事象を正確に捉えるための高度な統計モデリングが求められている。
大規模なデータセットや計算集約的な推定技術に依存する従来の手法は、しばしばリアルタイムのシナリオで失敗する。
本稿では,極値理論(EVT)と生成人工知能(AI)の相乗的統合により,URLLC要求を満たす新しい枠組みを提案する。
EVTはチャネルテール分布のモデル化に使われ、稀な事象の正確な特徴を提供する。
同時に、生成AIは、限られたサンプルからのデータ拡張とチャネルパラメータの推定を可能にする。
これにより、EVTと生成AIの統合は、チャネルキャラクタリゼーション中の極端なイベントをキャプチャする生成モデルの制限を克服するのに役立つ。
自動車環境から収集した実験データセットを用いて、この統合により極端量子化のためのデータ増大が促進され、従来の分析EVT法よりも少ないサンプルと、チャネル分布のオンライン推定における生成ベースラインが要求されることを示した。
関連論文リスト
- GO-GenZip: Goal-Oriented Generative Sampling and Hybrid Compression [50.76941829813458]
現在のネットワークデータテレメトリパイプラインは、複数の分散ソースから中央アグリゲータへの、きめ細かいキーパフォーマンス指標(KPI)の巨大なストリームで構成されている。
本研究は、目標指向の観点からネットワークテレメトリを再設計する、ジェネレーティブAI(GenAI)駆動サンプリングとハイブリッド圧縮フレームワークを提案する。
論文 参考訳（メタデータ） (2026-03-20T16:33:15Z) - Generative AI-enhanced Probabilistic Multi-Fidelity Surrogate Modeling Via Transfer Learning [3.310239330294451]
High-fidelity (HF) データは入手に乏しく、計算コストも低いが、low-fidelity (LF) データは豊富だが精度は低い。
生成的伝達学習に基づく確率的多要素サロゲートフレームワークを開発した。
本研究では,多くの粗いメッシュ (LF) シミュレーションと有限セットのファインメッシュ (HF) シミュレーションを組み合わせることで,鉄筋コンクリートスラブベンチマークのアプローチを検証した。
論文 参考訳（メタデータ） (2026-01-20T20:03:46Z) - SMART: A Surrogate Model for Predicting Application Runtime in Dragonfly Systems [13.688119091055244]
本稿では,グラフニューラルネットワーク(GNN)と大規模言語モデル(LLM)を組み合わせて,ポートレベルのルータデータから空間的および時間的パターンを抽出する代理モデルを提案する。
我々のモデルは、既存の統計と機械学習のベースラインを上回り、正確なランタイム予測を可能にし、Dragonflyネットワークの効率的なハイブリッドシミュレーションをサポートする。
論文 参考訳（メタデータ） (2025-11-14T09:39:43Z) - HN-MVTS: HyperNetwork-based Multivariate Time Series Forecasting [2.4409745336261457]
HN-MVTSは、ハイパーネットワークベースの生成を任意のニューラルネットワーク予測モデルと統合した、新しいアーキテクチャである。
新しいパラメータの数を制限するために、ハイパーネットワークはターゲット予測ネットワークの最後のレイヤの重みを生成することを学習する。
8つのベンチマークデータセットの実験では、最先端モデルへのHN-MVTSの適用が典型的にパフォーマンスを向上させることが示されている。
論文 参考訳（メタデータ） (2025-11-11T15:17:15Z) - Hybrid Data-Driven SSM for Interpretable and Label-Free mmWave Channel Prediction [15.984639104292352]
本稿では,データ駆動型ニューラルネットワークを従来のモデルベースワークフローに統合するハイブリッド手法を提案する。
ラベルのないデータだけで組み込みニューラルネットワークをトレーニングするために、新しい教師なし学習戦略が開発された。
論文 参考訳（メタデータ） (2024-11-18T13:54:44Z) - Cross-modal Prompts: Adapting Large Pre-trained Models for Audio-Visual
Downstream Tasks [55.36987468073152]
本稿では,DG-SCT(Dual-Guided Space-Channel-Temporal)アテンション機構を提案する。
DG-SCTモジュールはトレーニング可能なクロスモーダル・インタラクション・レイヤを事前トレーニングされたオーディオ・ビジュアル・エンコーダに組み込む。
提案手法は, AVE, AVVP, AVS, AVQA, AVQAを含む複数のダウンストリームタスクにまたがる最先端の処理結果を実現する。
論文 参考訳（メタデータ） (2023-11-09T05:24:20Z) - Value function estimation using conditional diffusion models for control [62.27184818047923]
拡散値関数(DVF)と呼ばれる単純なアルゴリズムを提案する。
拡散モデルを用いて環境-ロボット相互作用の連成多段階モデルを学ぶ。
本稿では,DVFを用いて複数のコントローラの状態を効率よく把握する方法を示す。
論文 参考訳（メタデータ） (2023-06-09T18:40:55Z) - Model-based Deep Learning Receiver Design for Rate-Splitting Multiple
Access [65.21117658030235]
本研究では,モデルベース深層学習(MBDL)に基づく実用的なRSMA受信機の設計を提案する。
MBDL受信機は、符号なしシンボル誤り率(SER)、リンクレベルシミュレーション(LLS)によるスループット性能、平均トレーニングオーバーヘッドの観点から評価される。
その結果,MBDLはCSIRが不完全なSIC受信機よりも優れていた。
論文 参考訳（メタデータ） (2022-05-02T12:23:55Z) - Distributionally Robust Models with Parametric Likelihood Ratios [123.05074253513935]
3つの単純なアイデアにより、より広いパラメトリックな確率比のクラスを用いてDROでモデルを訓練することができる。
パラメトリック逆数を用いてトレーニングしたモデルは、他のDROアプローチと比較して、サブポピュレーションシフトに対して一貫して頑健であることがわかった。
論文 参考訳（メタデータ） (2022-04-13T12:43:12Z) - Wireless Sensing With Deep Spectrogram Network and Primitive Based
Autoregressive Hybrid Channel Model [20.670058030653458]
無線センシングに基づくヒューマンモーション認識(hmr)は,シーン理解のための低コスト手法である。
現在のHMRシステムは、レーダー信号を分類するためにサポートベクターマシン(SVM)と畳み込みニューラルネットワーク(CNN)を採用している。
本稿では,残差マッピング技術を利用してHMR性能を向上させるディープ・スペクトログラム・ネットワーク(DSN)を提案する。
論文 参考訳（メタデータ） (2021-04-21T06:33:01Z)
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。