Fugu-MT 論文翻訳(概要): RFPrompt: Prompt-Based Expert Adaptation of the Large Wireless Model for Modulation Classification

論文の概要: RFPrompt: Prompt-Based Expert Adaptation of the Large Wireless Model for Modulation Classification

arxiv url: http://arxiv.org/abs/2605.03279v1
Date: Tue, 05 May 2026 02:09:58 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-06 19:35:43.719373
Title: RFPrompt: Prompt-Based Expert Adaptation of the Large Wireless Model for Modulation Classification
Title（参考訳）: RFPrompt: 変調分類のための大規模無線モデルのプロンプトに基づくエキスパート適応
Authors: Md Raihan Uddin, Tolunay Seyfi, Fatemeh Afghah,
Abstract要約: 無線基礎モデルにおけるOOD転送の一般的なメカニズムとしてのプロンプトベース適応について検討する。本稿では,学習可能な深いプロンプトトークンを導入し,事前学習したバックボーンの凍結を保ちながら,パラメータ効率のよいフレームワークRFPromptを提案する。その結果、プロンプトベースの適応は、分散シフトおよび限定的な監督の下で、一貫して堅牢性を改善することが示された。
参考スコア（独自算出の注目度）: 7.858819231575403
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Automatic modulation classification (AMC) in real-world deployments demands robustness to distribution shifts arising from hardware impairments, unseen propagation environments, and recording conditions never encountered during training. Although wireless foundation models offer a promising starting point for robust RF representation learning, an important open question is how to adapt them efficiently to out-of-distribution (OOD) downstream tasks without overwriting the structure learned during large-scale pre-training. In this paper, we investigate prompt-based adaptation as a general mechanism for OOD transfer in wireless foundation models. We propose RFPrompt, a parameter-efficient framework that introduces learnable deep prompt tokens while keeping the pretrained backbone frozen, enabling task-specific adaptation with minimal trainable parameters. We instantiate and evaluate this approach on the Large Wireless Model (LWM), a mixture-of-experts wireless foundation model, and study its behavior under both standard and OOD modulation-classification settings. Results show that prompt-based adaptation consistently improves robustness under distribution shift and limited supervision, particularly on real-world over-the-air IQ data, while preserving strong parameter efficiency. These findings suggest that prompt learning is a practical and effective strategy for adapting wireless foundation models to challenging downstream RF environments.
Abstract（参考訳）: 実世界の展開における自動変調分類(AMC)は、ハードウェア障害、目に見えない伝播環境、トレーニング中に決して遭遇しない記録条件から生じる分散シフトに対して堅牢性を要求する。無線基礎モデルは、堅牢なRF表現学習のための有望な出発点を提供するが、重要なオープンな疑問は、大規模な事前学習中に学習した構造を上書きすることなく、アウト・オブ・ディストリビューション(OOD)下流タスクに効率的に適応する方法である。本稿では,無線基礎モデルにおけるOOD転送の一般的なメカニズムとしてのプロンプトベース適応について検討する。 RFPromptは学習可能なディーププロンプトトークンを導入し,事前学習したバックボーンの凍結を保ち,最小限のトレーニング可能なパラメータでタスク固有の適応を可能にする。本稿では,LWM(Large Wireless Model, LWM)を用いた無線基礎モデルのインスタンス化と評価を行い, 標準およびOOD変調分類設定下での挙動について検討する。その結果、プロンプトベースの適応は、特に実世界のIQデータにおいて、分散シフトや限られた監督下でのロバスト性を一貫して改善し、強力なパラメータ効率を保っていることがわかった。これらの結果から, 迅速な学習は, 下流RF環境に挑戦する無線基礎モデルに適応するための実践的かつ効果的な戦略であることが示唆された。

関連論文リスト

A Graph Foundation Model for Wireless Resource Allocation [37.503398874234094]
本稿では、事前学習および微調整のパラダイムに基づく資源配分のためのグラフ基盤モデルを提案し、統一表現を抽出する。具体的には、干渉トポロジをグローバルアテンション機構に注入するバイアスプロジェクタを備えた干渉対応トランスフォーマーアーキテクチャを提案する。実験により,提案するフレームワークは,モデルキャパシティを向上して,最先端のパフォーマンスを実現し,効果的にスケールできることが示されている。
論文参考訳（メタデータ） (2026-04-08T06:07:28Z)
A Multi-Modal Foundational Model for Wireless Communication and Sensing [5.101849923596286]
本研究は,物理層無線システムのタスク非依存・マルチモーダル基礎モデルを提案する。異質なモダリティにまたがる移動可能で物理学を意識した表現を学習し、タスクや環境をまたいだ堅牢な一般化を可能にしている。本評価は,タスク固有のベースラインと比較して,より優れた一般化,デプロイメントシフトに対する堅牢性,データ要求の削減を示す。
論文参考訳（メタデータ） (2026-02-03T21:03:23Z)
Adaptive Linear Path Model-Based Diffusion [52.84663832658799]
リニアパスモデルベース拡散(LP-MBD)を導入し、分散保存スケジュールをフローマッチング線形確率パスに置き換える。また,適応型LP-MBD(ALP-MBD)を提案し,タスクの複雑さや環境条件に応じて拡散ステップやノイズレベルを調整する。
論文参考訳（メタデータ） (2026-02-02T21:33:03Z)
Flexible Locomotion Learning with Diffusion Model Predictive Control [46.432397190673505]
本稿では,学習した生成拡散モデルを計画に先立って近似力学として活用する拡散MPCを提案する。我々の設計では、テスト時適応性が強く、プランナーは、再訓練することなく、新しい報酬仕様に調整できる。我々はDiffusion-MPCを実世界で検証し、強い移動と柔軟な適応を示す。
論文参考訳（メタデータ） (2025-10-05T14:51:13Z)
In-Context Learning for Gradient-Free Receiver Adaptation: Principles, Applications, and Theory [54.92893355284945]
ディープラーニングベースの無線受信機は、様々なチャネル環境に動的に適応する能力を提供する。ジョイントトレーニング、ハイパーネットワークベースの手法、メタラーニングを含む現在の適応戦略は、限られた柔軟性を示すか、勾配降下による明示的な最適化を必要とする。本稿では、インコンテキスト学習(ICL)の新たなパラダイムに根ざした勾配なし適応手法を提案する。
論文参考訳（メタデータ） (2025-06-18T06:43:55Z)
Plug-and-Play AMC: Context Is King in Training-Free, Open-Set Modulation with LLMs [22.990537822143907]
自動変調分類(AMC)は、効率的なスペクトル管理とロバストな無線通信において重要である。本稿では,従来の信号処理技術と大規模言語モデルを統合する革新的なフレームワークを提案する。この研究は、次世代無線ネットワークにおけるスケーラブルで解釈可能で汎用的な信号分類システムの基礎を築いた。
論文参考訳（メタデータ） (2025-05-06T02:07:47Z)
Vaccinating Federated Learning for Robust Modulation Classification in Distributed Wireless Networks [0.0]
雑音レベルの異なる信号間の一般化性向上を目的とした新しいAMCモデルであるFedVaccineを提案する。 FedVaccineは、分割学習戦略を用いることで、既存のFLベースのAMCモデルの線形集約の限界を克服する。これらの結果は、実用的な無線ネットワーク環境におけるAMCシステムの信頼性と性能を高めるためのFedVaccineの可能性を浮き彫りにした。
論文参考訳（メタデータ） (2024-10-16T17:48:47Z)
Reference Trustable Decoding: A Training-Free Augmentation Paradigm for Large Language Models [79.41139393080736]
大規模言語モデル(LLM)は急速に進歩し、印象的な機能を示している。 In-Context Learning (ICL) など。効率的なファインチューニング(PEFT)は、現在2つの主要な拡張方法である。下流タスクへのLLM。我々は、モデルが微調整なしで新しいタスクに迅速に適応できるパラダイムである参照信頼復号(RTD)を提案する。
論文参考訳（メタデータ） (2024-09-30T10:48:20Z)
Maximum Likelihood Distillation for Robust Modulation Classification [50.51144496609274]
我々は、より堅牢なAMCシステムを構築するために、知識蒸留のアイデアと敵の訓練に基づいて構築する。オフライン環境でのAMC問題を解消し,より優れたトレーニングラベルを生成するためのMaximum Likelihood関数を提案する。
論文参考訳（メタデータ） (2022-11-01T21:06:11Z)
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)

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。