論文の概要: AirFM-DDA: Air-Interface Foundation Model in the Delay-Doppler-Angle Domain for AI-Native 6G

• arxiv url: http://arxiv.org/abs/2605.00020v1
• Date: Sun, 19 Apr 2026 03:26:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-11 06:56:26.405968
• Title: AirFM-DDA: Air-Interface Foundation Model in the Delay-Doppler-Angle Domain for AI-Native 6G
• Title（参考訳）: AirFM-DDA:AI-Native 6Gのための遅延ドップラーアングル領域におけるインターフェース基礎モデル
• Authors: Kejia Bian, Meixia Tao, Jianhua Mo, Zhiyong Chen, Leyan Chen,
• Abstract要約: AirFM-DDAは、物理層タスクのためのDelay-Doppler-Angleドメインで動作するAir-Interface Foundation Modelである。 目に見えないシナリオやデータセットにまたがる優れたゼロショットの一般化を実現する。 AirFM-DDAは、高い移動性、大きな遅延拡散、激しい騒音、極端なエイリアス条件下で堅牢性を維持する。
• 参考スコア（独自算出の注目度）: 30.794345075578505
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The success of large foundation models is catalyzing a new paradigm for AI-native 6G network design: wireless foundation models for physical layer design. However, existing models often operate on channel state information (CSI) in the space-time-frequency (STF) domain, where distinct multipath components are inherently superimposed and structurally entangled. This hinders the learning of universal channel representation. Meanwhile, their reliance on global attention mechanisms incurs prohibitive computational overhead. In this paper, we propose AirFM-DDA, an Air-interface Foundation Model operating in the Delay-Doppler-Angle (DDA) domain for physicallayer tasks. Specifically, AirFM-DDA reparameterizes CSI from the STF domain into the DDA domain to explicitly resolve multipath components along physically meaningful axes. It employs a window-based attention module augmented with framestructure-aware positional encoding (FS-PE). This window-based attention aligns with locally clustered multipath dependencies while avoiding quadratic-complexity global attention, and FS-PE injects frame-structure priors into network. Extensive experiments demonstrate that AirFM-DDA achieves superior zero-shot generalization across unseen scenarios and datasets, consistently outperforming the baselines on channel prediction and estimation tasks. Compared to the global attention, its window-based attention reduces training and inference costs by nearly an order of magnitude. Moreover, AirFM-DDA maintains robustness under high mobility, large delay spreads, severe noise, and extreme aliasing conditions.
• Abstract（参考訳）: 大規模ファンデーションモデルの成功は、AIネイティブな6Gネットワーク設計のための新しいパラダイム、すなわち物理層設計のためのワイヤレスファンデーションモデルを生み出している。 しかし、既存のモデルは時空周波数(STF)領域のチャネル状態情報(CSI)で動作し、異なるマルチパスコンポーネントは本質的に重畳され構造的に絡み合っている。 これは普遍チャネル表現の学習を妨げる。 一方、グローバルアテンション機構への依存は計算オーバーヘッドを禁止している。 本稿では,DDA(Delay-Doppler-Angle)ドメインで動作する空気インタフェース基礎モデルであるAirFM-DDAを提案する。 具体的には、AirFM-DDAはSTFドメインからDDAドメインにCSIを再パラメータ化し、物理的に意味のある軸に沿ってマルチパスコンポーネントを明示的に解決する。 フレーム構造認識位置符号化(FS-PE)を付加したウィンドウベースのアテンションモジュールを採用している。 このウィンドウベースのアテンションは、局所的なクラスタ化されたマルチパス依存性と一致し、二次複雑でグローバルなアテンションを回避し、FS-PEはフレーム構造をネットワークに注入する。 大規模な実験により、AirFM-DDAは目に見えないシナリオやデータセットにまたがって優れたゼロショットの一般化を実現し、チャネル予測と推定タスクのベースラインを一貫して上回ります。 世界的注目と比較して、ウィンドウベースの注意はトレーニングと推論コストをほぼ1桁削減する。 さらに、AirFM-DDAは、高モビリティ、大きな遅延拡散、激しいノイズ、極端なエイリアス条件下での堅牢性を維持している。

関連論文リスト

• FGAA-FPN: Foreground-Guided Angle-Aware Feature Pyramid Network for Oriented Object Detection [1.0152838128195467]
  オブジェクト指向物体検出のためのフォアグラウンドガイドアングル対応特徴ピラミッドネットワークを提案する。 FGAA-FPNは階層的な関数分解に基づいて構築されており、ピラミッドのレベルで異なる空間分解と意味的抽象化を考慮に入れている。 DOTA v1.0とDOTA v1.5の実験では、FGAA-FPNは、それぞれ75.5%と68.3%のmAPに達した。
  論文  参考訳（メタデータ） (2026-02-11T10:15:06Z)
• FMC-DETR: Frequency-Decoupled Multi-Domain Coordination for Aerial-View Object Detection [18.023418423273082]
  本研究では,FMC-DETRを提案する。FMC-DETR,FMC-DETR,FMC-DETR,FMC-DETR,FMC-DETR,FMC-DETR,FMC-DETR,FMC-DETR,FMC-DETR。 まず、大域的低周波文脈知覚を高めるために、カスケードウェーブレット変換を適用したWavelet Kolmogorov-Arnold Transformer (WeKat) のバックボーンを導入する。 次に、軽量なクロスステージ部分核融合(CPF)モジュールは冗長性を低減し、マルチスケールの機能相互作用を改善する。 最後に,Multi-Domain Feature Coordination (MDFC)モジュールについて述べる。
  論文  参考訳（メタデータ） (2025-09-27T02:28:22Z)
• Wavelet-Guided Dual-Frequency Encoding for Remote Sensing Change Detection [67.84730634802204]
  リモートセンシング画像の変化検出は,自然災害監視,都市拡張追跡,インフラ管理など,さまざまな工学的応用において重要な役割を担っている。 既存のほとんどの手法は空間領域モデリングに依存しており、特徴表現の限られた多様性は微妙な変化領域の検出を妨げる。 本研究では、特にウェーブレット領域における周波数領域の特徴モデリングが周波数成分の微細な違いを増幅し、空間領域において捉えにくいエッジ変化の知覚を高めることを観察する。
  論文  参考訳（メタデータ） (2025-08-07T11:14:16Z)
• A Transformer-Based Conditional GAN with Multiple Instance Learning for UAV Signal Detection and Classification [17.586093539522327]
  本稿では,トランスフォーマーをベースとしたGAN(Generative Adversarial Network)とMILET(Multiple Examplely Explainable Learning)を統合した新しいフレームワークを提案する。 実験の結果,DroneDetectデータセットでは96.5%,DroneRFデータセットでは98.6%の精度が得られた。 このフレームワークはまた、様々なUAVプラットフォームと飛行状態にまたがる強力な計算効率と堅牢な一般化を示す。
  論文  参考訳（メタデータ） (2025-07-19T12:35:45Z)
• VRS-UIE: Value-Driven Reordering Scanning for Underwater Image Enhancement [104.78586859995333]
  状態空間モデル(SSM)は、線形複雑性と大域的受容場のために、視覚タスクの有望なバックボーンとして登場した。 大型で均質だが無意味な海洋背景の優位性は、希少で価値ある標的の特徴表現応答を希薄にすることができる。 水中画像強調(UIE)のための新しい値駆動リダクションスキャンフレームワークを提案する。 本フレームワークは, 水バイアスを効果的に抑制し, 構造や色彩の忠実さを保ち, 優れた向上性能(WMambaを平均0.89dB超える)を実現する。
  論文  参考訳（メタデータ） (2025-05-02T12:21:44Z)
• FreSca: Scaling in Frequency Space Enhances Diffusion Models [55.75504192166779]
  本稿では,潜時拡散モデルにおける周波数制御について検討する。 本稿では,低周波成分と高周波成分にノイズ差を分解する新しいフレームワークFreScaを紹介する。 FreScaはモデルの再トレーニングやアーキテクチャの変更なしに動作し、モデルとタスクに依存しない制御を提供する。
  論文  参考訳（メタデータ） (2025-04-02T22:03:11Z)
• Diffusion Models Without Attention [110.5623058129782]
  Diffusion State Space Model (DiffuSSM) は、よりスケーラブルな状態空間モデルバックボーンで注目メカニズムを置き換えるアーキテクチャである。 拡散訓練におけるFLOP効率の高いアーキテクチャへの注力は、大きな前進となる。
  論文  参考訳（メタデータ） (2023-11-30T05:15:35Z)
• Dense Attention Fluid Network for Salient Object Detection in Optical Remote Sensing Images [193.77450545067967]
  光リモートセンシング画像(RSI)における有意物体検出のためのエンド・ツー・エンドDense Attention Fluid Network(DAFNet)を提案する。 GCA(Global Context-Aware Attention)モジュールは、長距離の意味的関係を適応的にキャプチャするために提案される。 我々は、2000枚の画像とピクセルワイドなサリエンシアノテーションを含むSODのための新しい、挑戦的な光学RSIデータセットを構築した。
  論文  参考訳（メタデータ） (2020-11-26T06:14:10Z)

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。