論文の概要: Adaptive 3D-RoPE: Physics-Aligned Rotary Positional Encoding for Wireless Foundation Models

• arxiv url: http://arxiv.org/abs/2605.00968v1
• Date: Fri, 01 May 2026 15:51:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:49.521308
• Title: Adaptive 3D-RoPE: Physics-Aligned Rotary Positional Encoding for Wireless Foundation Models
• Title（参考訳）: Adaptive 3D-RoPE: 無線基礎モデルのための物理対応ロータリー位置符号化
• Authors: Chenyu Zhang, Xinchen Lyu, Chenshan Ren, Shuhan Liu, Qimei Cui,
• Abstract要約: 位置符号化は,性能無線基礎モデルの補間と一般化において重要な役割を担っている。 本稿では,無線基礎モデルのための構造コーナーを確立させる物理対応型回転位置符号化であるAdaptive 3D-RoPEを提案する。
• 参考スコア（独自算出の注目度）: 14.956130211673894
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Positional encoding plays a pivotal role in determin?ing the extrapolation and generalization performance of wireless foundation models for channel state information (CSI) modeling, latent characterization, and task-specific prediction. However, existing CSI models inherit static or one-dimensional positional priors from natural language and vision architectures, which fundamentally misalign with the intrinsic physics of wireless channels by lacking explicit relative decay, collapsing the 3D spatio-temporal-frequency structure, and remaining scenario?rigid. This paper proposes Adaptive 3D-RoPE, a physics-aligned rotary positional encoding that establishes the structural corner?stone for wireless foundation models. The framework integrates a learnable, axis-decoupled 3D frequency bank to explicitly disentangle multi-dimensional phase dependencies, coupled with a lightweight channel-conditioned controller that dynamically modulates the prior via compact global CSI descriptors. This sample-adaptive mechanism transforms positional encoding from a static transformer component into a dynamic, coherence-aware inductive bias to resolve heterogeneous channel physics. Extensive experiments across 100 datasets demonstrate the superiority of the proposed scheme in both scale extrapolation and zero-shot generalization. Compared to the state-of-the-art, our method achieves up to a 10.7 dB reduction in normalized mean square error (NMSE) under 8 times antenna scale extrapolation. Given the same CSI input scales, our method can also improve zero-shot NMSE by 1.07 dB across unseen mobility scenarios and 0.90 dB in low-frequency-to-millimeter-wave tasks.
• Abstract（参考訳）: 位置エンコーディングは決定に重要な役割を担っているか? チャネル状態情報(CSI)モデリング,潜時特性評価,タスク固有予測のための無線基礎モデルの補外化と一般化性能について検討する。 しかし、既存のCSIモデルは、自然言語や視覚アーキテクチャから静的または1次元の位置的先行を継承しており、これは、明らかな相対減衰が欠如し、3次元時空間構造が崩壊し、残りのシナリオが残ることにより、無線チャネルの本質的な物理と根本的に不一致である。 堅固だ 本稿では,構造角を確立する物理対応の回転位置符号化であるAdaptive 3D-RoPEを提案する。 無線ファンデーションモデルのための石 このフレームワークは学習可能な軸分離型3次元周波数バンクを統合し、多次元位相依存を明示的に切り離すとともに、コンパクトなグローバルなCSIディスクリプタを介して事前を動的に変調する軽量なチャンネル条件のコントローラと組み合わせる。 このサンプル適応機構は、静止変圧器成分から動的でコヒーレンスを意識した誘導バイアスへと位置符号化を変換し、異種チャネル物理を解く。 100のデータセットにわたる大規模な実験は、スケール外挿とゼロショットの一般化の両方において提案されたスキームの優位性を示している。 8倍のアンテナスケール外挿で, 平均二乗誤差(NMSE)の10.7dB削減を実現した。 同一のCSI入力スケールを考慮に入れれば,低周波-ミリ波タスクでは0ショットNMSEを1.07dB,0.90dBで改善することができる。

関連論文リスト

• Mesh Based Simulations with Spatial and Temporal awareness [2.867517731896504]
  本稿では,幾何学的深層学習と厳密な数値解析のギャップを埋める統一的な枠組みを提案する。 1) ノードの全局所トポロジのフィールド値を予測するステンシルレベルの目的であるマルチノード予測,(2) 時間的微分整合性,(3) 時間的交叉による不安定な定性的スキームを予測器・コレクタに置き換える時間的補正,(3) 幾何学的インダクティブ・ビアース,3) 3次元回転位置埋め込み(RoPE)を利用して非構造メッシュの回転対称性を頑健に捉える。
  論文  参考訳（メタデータ） (2026-05-02T17:09:31Z)
• Implicit Neural Representations: A Signal Processing Perspective [54.57279006229212]
  入射神経表現(INR)は、離散的なサンプルデータから連続的な機能的表現へと、信号モデリングの根本的な変化を示す。 本稿では、信号処理の観点からのINRの進化を考察し、スペクトル挙動、サンプリング理論、マルチスケール表現を強調する。 医療・レーダ画像の逆問題,圧縮,3次元シーン表現など,幅広い応用分野におけるINRの有用性を強調した。
  論文  参考訳（メタデータ） (2026-04-16T14:12:06Z)
• Learning high-dimensional quantum entanglement through physics-guided neural networks [9.690823115015908]
  本稿では,物理誘導型深層ニューラルネットワークを提案する。 ゲインレジーム全体では, 平均JSDが1.96e-3, WEMDが1.54e-3, KLが7.85e-3であった。 これらの結果から、物理誘導学習は、ソフトなOAM保存正規化器と物理的に生成された訓練目標を介して、迅速かつデータ効率の良いモーダルな特徴付けを可能にすることが示されている。
  論文  参考訳（メタデータ） (2026-04-03T22:09:21Z)
• Generative MIMO Beam Map Construction for Location Recovery and Beam Tracking [67.65578956523403]
  本稿では,スパースチャネル状態情報(CSI)から位置ラベルを直接復元する生成フレームワークを提案する。 生のCSIを直接格納する代わりに、小型の低次元無線地図の埋め込みを学び、生成モデルを利用して高次元CSIを再構築する。 数値実験により,NLOSシナリオにおける局所化精度が30%以上向上し,20%のキャパシティゲインが得られることが示された。
  論文  参考訳（メタデータ） (2025-11-21T07:25:49Z)
• SenseRay-3D: Generalizable and Physics-Informed Framework for End-to-End Indoor Propagation Modeling [35.27031919957894]
  SenseRay-3Dは、RGB-Dスキャンから直接3Dパスロスヒートマップを予測するエンドツーエンドフレームワークである。 合成屋内伝播データセットは、将来の研究の標準ベンチマークとして機能するように開発されている。 SenseRay-3Dは、目に見えない環境で平均4.27dBの絶対誤差を達成し、サンプルあたり217msのリアルタイム推論をサポートする。
  論文  参考訳（メタデータ） (2025-11-15T08:17:49Z)
• Multi-View Wireless Sensing via Conditional Generative Learning: Framework and Model Design [16.839582722091635]
  複数基地局(BS)とユーザ機器(UE)間の多視点チャネル状態情報(CSI)を用いた学習に基づく高精度ターゲットセンシングに物理知識を取り入れた。 我々は、二部構成のニューラルネットワークアーキテクチャを設計し、その最初の部分は、精巧に設計されたエンコーダを使用して、マルチビューCSIに埋め込まれた潜在ターゲット機能を融合する。 第2部では、これらを強力な生成モデルの条件付け入力として使用して、ターゲットの再構築を誘導する。
  論文  参考訳（メタデータ） (2025-05-19T03:27:24Z)
• Dynamic 3D KAN Convolution with Adaptive Grid Optimization for Hyperspectral Image Classification [12.168520751389622]
  Kanetは改良された3D-DenseNetモデルであり、3D Kan Convとアダプティブグリッド更新機構で構成されている。 Kanetはネットワークの深さや幅を増大させることなく、3D動的専門家畳み込みシステムを通じてモデル表現能力を向上させる。 提案手法は、IN, UP, KSCデータセット上での優れた性能を示し、主流のハイパースペクトル画像分類手法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2025-04-21T14:57:48Z)
• 3D Equivariant Pose Regression via Direct Wigner-D Harmonics Prediction [50.07071392673984]
  既存の方法は、角度や四元数を用いて空間領域でパラメータ化された3次元回転を学習する。 本稿では,3次元回転回帰のためのWigner-D係数を直接予測する周波数領域アプローチを提案する。 提案手法は, ModelNet10-SO(3) や PASCAL3D+ などのベンチマーク上での最先端結果を実現する。
  論文  参考訳（メタデータ） (2024-11-01T12:50:38Z)
• NeuRBF: A Neural Fields Representation with Adaptive Radial Basis Functions [93.02515761070201]
  本稿では,信号表現に一般放射状基底を用いる新しいタイプのニューラルネットワークを提案する。 提案手法は, 空間適応性が高く, ターゲット信号により密着可能な, フレキシブルなカーネル位置と形状を持つ一般ラジアルベース上に構築する。 ニューラルラジアンス場再構成に適用した場合,本手法はモデルサイズが小さく,訓練速度が同等である最先端のレンダリング品質を実現する。
  論文  参考訳（メタデータ） (2023-09-27T06:32:05Z)
• PointFix: Learning to Fix Domain Bias for Robust Online Stereo Adaptation [54.734201944510026]
  本稿では,PointFixと呼ばれるメタラーニングフレームワークに補助的なポイント選択型ネットワークを導入することを提案する。 簡単に言えば、我々の補助的ネットワークは、メタグラディエントを通じて局所情報を効果的にバックプロパゲートすることで、局所的変異を集中的に修正することを学ぶ。 このネットワークはモデルに依存しないため、プラグイン・アンド・プレイ方式であらゆる種類のアーキテクチャで使用することができる。
  論文  参考訳（メタデータ） (2022-07-27T07:48:29Z)

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。