論文の概要: Soft Graph Diffusion Transformer for MIMO Detection

• arxiv url: http://arxiv.org/abs/2605.00449v1
• Date: Fri, 01 May 2026 06:36:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-04 17:43:28.87863
• Title: Soft Graph Diffusion Transformer for MIMO Detection
• Title（参考訳）: MIMO検出用ソフトグラフ拡散変換器
• Authors: Nan Jiang, Jiadong Hong, Lei Liu, Xinyu Bian, Wenjie Wang, Zhaoyang Zhang,
• Abstract要約: 本稿では,ノイズレベルのデノナイズプロセスとして検出を再構成するSoft Graph Diffusion Transformer (SGDiT)を提案する。 適応層正規化(AdaLN)条件付きソフトグラフ変換器を用いてデノナイジングダイナミクスのパラメータ化を行う。 本稿では,SGDiTが代表ベースラインと比較して競合ビット誤り率(BER)を実現することを示す。
• 参考スコア（独自算出の注目度）: 26.149951750258026
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Learning-based MIMO detection has shown strong empirical performance, yet existing methods typically rely on fixed-depth architectures without explicitly modeling the progressive refinement of symbol estimates. In this paper, we revisit MIMO detection from a flow matching perspective and propose the Soft Graph Diffusion Transformer (SGDiT), which reformulates detection as a noise-level-conditioned denoising process that progressively transforms a Gaussian initialization toward the posterior conditioned on channel observations. An adaptive layer normalization (AdaLN)-conditioned soft graph transformer is employed to parameterize the denoising dynamics, enabling stage-aware information integration between observation and symbol domains. To better align with the discrete nature of symbol detection, we further adopt a cross-entropy-based training objective that directly models bit-wise posterior probabilities, providing a more suitable inductive bias than conventional regression-based formulations. Experimental results across various MIMO system configurations demonstrate that SGDiT achieves competitive bit error rate (BER) performance compared with representative baselines. Furthermore, the proposed model exhibits good generalization capability across different channel conditions. Overall, the SGDiT framework provides an effective and practical approach for neural MIMO detection.
• Abstract（参考訳）: 学習に基づくMIMO検出は、経験的性能が強いが、既存の手法は、シンボル推定の進歩的な洗練を明示的にモデル化することなく、固定深度アーキテクチャに依存している。 本稿では,フローマッチングの観点からMIMO検出を再検討し,チャネル観測に基づいてガウス初期化を後方条件に段階的に変換するノイズレベル条件付き復調プロセスとして検出を再構成するソフトグラフ拡散変換器(SGDiT)を提案する。 適応層正規化(AdaLN)条件付きソフトグラフ変換器を用いてデノナイジングダイナミクスをパラメータ化し、観測領域とシンボル領域の段階認識情報の統合を可能にする。 シンボル検出の離散的な性質と整合性を高めるために,ビットワイド後部確率を直接モデル化するクロスエントロピーに基づく学習目標を採用することで,従来の回帰に基づく定式化よりもより適切な帰納バイアスを与える。 様々なMIMOシステム構成に対する実験結果から,SGDiT は代表ベースラインと比較して競合ビット誤り率 (BER) を実現することが示された。 さらに,提案モデルでは,異なるチャネル条件にまたがる優れた一般化能力を示す。 全体として、SGDiTフレームワークは、神経MIMO検出に効果的で実用的なアプローチを提供する。

関連論文リスト

• Variational Rectification Inference for Learning with Noisy Labels [74.85528327499662]
  損失関数の適応的補正を定式化するために, 変分補正推論(VRI)を提案する。 VRIは、補正ベクトルを潜在変数として扱うことによって階層ベイズとして構成される。 VRIで変分項を導入することにより、条件付き後部を正確に推定し、ディラックデルタ関数への崩壊を避ける。
  論文  参考訳（メタデータ） (2026-03-18T01:25:08Z)
• GeodesicNVS: Probability Density Geodesic Flow Matching for Novel View Synthesis [54.39598154430305]
  本稿では,ペアビュー間の決定論的変換を直接学習するデータ間フローマッチングフレームワークを提案する。 PDG-FMは、事前訓練された拡散モデルの確率密度測定値から導かれる測地的補間剤を用いて流れの軌跡を制約する。 これらの結果は、一貫した新しいビュー生成のための決定論的フローマッチングにデータ依存の幾何正規化を組み込むことの利点を強調している。
  論文  参考訳（メタデータ） (2026-03-01T09:30:11Z)
• Is Flow Matching Just Trajectory Replay for Sequential Data? [46.770624059457724]
  時系列生成には、フローマッチング(FM)がますます使われている。 一般的な力学構造を学ぶのか、それとも単に効果的な「軌道再生」を行うのかはよく分かっていない。 インプリッドサンプリングは、非パラメトリックなメモリ拡張型連続時間力学系を構成するODEであることを示す。
  論文  参考訳（メタデータ） (2026-02-09T06:48:45Z)
• HomoFM: Deep Homography Estimation with Flow Matching [2.0260360833154913]
  HomoFMは、生成モデリングからホモグラフィー推定タスクにフローマッチング技術を導入する新しいフレームワークである。 我々は,HomoFMが標準ベンチマークにおける評価精度とロバスト性の両方において最先端の手法より優れていることを示す。
  論文  参考訳（メタデータ） (2026-01-26T07:17:32Z)
• Solving Inverse Problems with FLAIR [68.87167940623318]
  本稿では,フローベース生成モデルを逆問題に先立って活用する学習自由変分フレームワークFLAIRを提案する。 標準画像ベンチマークの結果、FLAIRは再現性やサンプルの多様性の観点から、既存の拡散法や流れ法よりも一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2025-06-03T09:29:47Z)
• FlowDAS: A Stochastic Interpolant-based Framework for Data Assimilation [15.64941169350615]
  データ同化(DA)は、PDEが支配するシステムの状態を推定するために、動的モデルと観測を統合する。 FlowDASは、間補体を使用して状態遷移ダイナミクスを学習する生成DAフレームワークである。 本研究では,FlowDASがモデル駆動法,ニューラル演算子,スコアベースベースラインを超える精度と物理的妥当性を示す。
  論文  参考訳（メタデータ） (2025-01-13T05:03:41Z)
• Cross-Modal Learning for Anomaly Detection in Complex Industrial Process: Methodology and Benchmark [19.376814754500625]
  複雑な産業プロセスにおける異常検出は、効率的で安定で安全な操作を確実にする上で重要な役割を担っている。 本稿では,マグネシウム溶融プロセスにおける視覚特徴(ビデオ)とプロセス変数(電流)の相関を探索し,異常検出を容易にするクロスモーダルトランスを提案する。 本稿では, マグネシウム溶融プロセスの先駆的なクロスモーダルベンチマークを行い, 同期的に取得したビデオデータと電流データを220万以上のサンプルで分析した。
  論文  参考訳（メタデータ） (2024-06-13T11:40:06Z)
• Insights into Closed-form IPM-GAN Discriminator Guidance for Diffusion Modeling [11.68361062474064]
  本稿では,GAN判別器がLangevinに基づくサンプリングに与える影響を理論的に解析する枠組みを提案する。 提案手法は既存の加速拡散技術と組み合わせて潜在空間画像生成を改善することができることを示す。
  論文  参考訳（メタデータ） (2023-06-02T16:24:07Z)
• Variational Laplace Autoencoders [53.08170674326728]
  変分オートエンコーダは、遅延変数の後部を近似するために、償却推論モデルを用いる。 完全分解ガウス仮定の限定的後部表現性に対処する新しい手法を提案する。 また、深部生成モデルのトレーニングのための変分ラプラスオートエンコーダ(VLAE)という一般的なフレームワークも提示する。
  論文  参考訳（メタデータ） (2022-11-30T18:59:27Z)
• NAG-GS: Semi-Implicit, Accelerated and Robust Stochastic Optimizer [45.47667026025716]
  2つの重要な要素に依存した、新しく、堅牢で、加速された反復を提案する。 NAG-GSと呼ばれる手法の収束と安定性は、まず広範に研究されている。 我々は、NAG-arityが、重量減衰を伴う運動量SGDや機械学習モデルのトレーニングのためのAdamWといった最先端の手法と競合していることを示す。
  論文  参考訳（メタデータ） (2022-09-29T16:54:53Z)

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。