論文の概要: ChannelKAN: Multi-Scale Dual-Domain Channel Prediction via Hybrid CNN-KAN Architecture

• arxiv url: http://arxiv.org/abs/2605.12553v1
• Date: Mon, 11 May 2026 07:58:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-14 23:30:27.570718
• Title: ChannelKAN: Multi-Scale Dual-Domain Channel Prediction via Hybrid CNN-KAN Architecture
• Title（参考訳）: ChannelKAN: ハイブリッドCNN-KANアーキテクチャによるマルチスケールデュアルドメインチャネル予測
• Authors: Nanqing Jiang, Zhangyao Song, Tao Guo, Xiaoyu Zhao, Yinfei Xu,
• Abstract要約: 既存のディープラーニング手法は、短期的な局所的変動と長距離の非線形依存を共同で捉えるのに苦労している。 マルチスケール周波数領域情報拡張を用いたハイブリッドCNN-KANチャネル予測モデルであるChannelKANを提案する。 実験により、ChannelKANは、正規化平均二乗誤差(NMSE)、スペクトル効率(SE)、ビット誤り率(BER)において、RNN LSTM、GRU、CNN、Transformerのベースラインを上回っていることが示された。
• 参考スコア（独自算出の注目度）: 16.236145234205036
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate channel state information (CSI) prediction is essential for improving the reliability and spectral efficiency of massive MIMO-OFDM systems in high-mobility scenarios. Existing deep learning methods struggle to jointly capture short-term local variations and long-range nonlinear dependencies in CSI sequences. To address this challenge, we propose ChannelKAN, a hybrid CNN-KAN channel prediction model with multi-scale frequency domain information enhancement. The key insight is that CNNs and Kolmogorov-Arnold Networks (KANs) are naturally complementary: CNNs extract intra-time-step local spatial-frequency correlations, while KANs with learnable Chebyshev polynomial activations fit inter-time-step nonlinear temporal evolution in a holistic manner. Specifically, a dual-domain expansion module first generates complementary frequency-domain and delay-domain CSI representations. A multi-scale frequency information enhancement module then retains dominant spectral components at multiple scales to strengthen key features and suppress noise. Next, a CNN-KAN feature extraction module captures local correlations via cascaded convolutions and models long-range dependencies via Chebyshev KAN layers. Finally, a dual-domain fusion module adaptively integrates features from both branches to produce the prediction. Experiments on 3GPP-compliant QuaDRiGa datasets demonstrate that ChannelKAN outperforms RNN, LSTM, GRU, CNN, and Transformer baselines in normalized mean square error (NMSE), spectral efficiency (SE), and bit error rate (BER) across various velocities and signal-to-noise ratios. Ablation studies further confirm the effectiveness of each proposed module.
• Abstract（参考訳）: 高精度チャネル状態情報 (CSI) 予測は, 大規模MIMO-OFDMシステムの信頼性とスペクトル効率の向上に不可欠である。 既存のディープラーニング手法は、CSIシーケンスにおける短期的な局所的変動と長距離の非線形依存を共同で捉えるのに苦労している。 この課題に対処するため,マルチスケール周波数領域情報拡張を用いたハイブリッドCNN-KANチャネル予測モデルであるChannelKANを提案する。 重要な洞察は、CNNとコルモゴロフ・アルノルドネットワーク(KAN)は自然に相補的であり、CNNは時間内局所空間周波数相関を抽出し、CNNは学習可能なチェビシェフ多項式活性化を持つカンは時間間非線形時間進化を包括的に求める。 具体的には、二重ドメイン拡張モジュールは、まず相補的な周波数領域と遅延ドメインCSI表現を生成する。 マルチスケールの周波数情報拡張モジュールは、主要な特徴を強化しノイズを抑制するために、支配的なスペクトル成分を複数スケール保持する。 次に、CNN-KAN機能抽出モジュールは、カスケードされた畳み込みを通じて局所的な相関をキャプチャし、Chebyshev Kan層を介して長距離依存関係をモデル化する。 最後に、二重ドメイン融合モジュールは、両方のブランチの機能を適応的に統合し、予測を生成する。 3GPP準拠のQuaDRiGaデータセットの実験により、ChannelKANは、正常化平均二乗誤差(NMSE)、スペクトル効率(SE)、ビット誤り率(BER)において、RNN、LSTM、GRU、CNN、Transformerベースラインを上回っていることが示された。 アブレーション研究は、各モジュールの有効性をさらに確認する。

関連論文リスト

• CNN-TFT explained by SHAP with multi-head attention weights for time series forecasting [0.6019777076722422]
  本稿では,畳み込み特徴抽出と時間融合変換器を組み合わせたハイブリッドアーキテクチャを提案する。 CNN-TFTは、確立されたディープラーニングモデルよりも優れており、平均絶対パーセンテージエラーは2.2%である。
  論文  参考訳（メタデータ） (2025-10-08T10:08:28Z)
• RF-LSCM: Pushing Radiance Fields to Multi-Domain Localized Statistical Channel Modeling for Cellular Network Optimization [26.457933013666253]
  本稿では,RF-LSCMを提案する。RF-LSCMは,大規模信号減衰とマルチパス成分を放射場内に共同で表現することで,チャネルAPSをモデル化する新しいフレームワークである。 RF-LSCMは, 平均絶対誤差(MAE)を最大30%低減し, 多周波データを効果的に融合させることにより, 22%のMAE改善を実現した。
  論文  参考訳（メタデータ） (2025-09-17T04:31:18Z)
• A Multi-Layer CNN-GRUSKIP model based on transformer for spatial TEMPORAL traffic flow prediction [0.06597195879147556]
  交通流予測は、インテリジェント交通システムITSの基盤のままである。 CNN-GRUSKIPモデルは先駆的なアプローチとして現れる。 このモデルは、ARIMA、Graph Wave Net、HA、LSTM、STGCN、APTといった確立したモデルよりも一貫して優れていた。 強力な予測能力と適応アーキテクチャにより、CNN-GRUSKIPモデルはITSアプリケーションを再定義する。
  論文  参考訳（メタデータ） (2025-01-09T21:30:02Z)
• Neuromorphic Wireless Split Computing with Multi-Level Spikes [69.73249913506042]
  ニューロモルフィックコンピューティングは、スパイキングニューラルネットワーク(SNN)を使用して推論タスクを実行する。 スパイクニューロン間で交換される各スパイクに小さなペイロードを埋め込むことで、エネルギー消費を増大させることなく推論精度を高めることができる。 分割コンピューティング — SNNを2つのデバイスに分割する — は、有望なソリューションだ。 本稿では,マルチレベルSNNを用いたニューロモルフィック無線分割コンピューティングアーキテクチャの総合的研究について述べる。
  論文  参考訳（メタデータ） (2024-11-07T14:08:35Z)
• SOFTS: Efficient Multivariate Time Series Forecasting with Series-Core Fusion [59.96233305733875]
  時系列予測は、金融、交通管理、エネルギー、医療など様々な分野で重要な役割を果たしている。 いくつかの方法は、注意やミキサーのようなメカニズムを利用して、チャネル相関をキャプチャすることでこの問題に対処する。 本稿では,効率的なモデルであるSOFTS(Series-cOre Fused Time Series forecaster)を提案する。
  論文  参考訳（メタデータ） (2024-04-22T14:06:35Z)
• Joint Channel Estimation and Feedback with Masked Token Transformers in Massive MIMO Systems [74.52117784544758]
  本稿では,CSI行列内の固有周波数領域相関を明らかにするエンコーダデコーダに基づくネットワークを提案する。 エンコーダ・デコーダネットワーク全体がチャネル圧縮に使用される。 提案手法は,共同作業における現状のチャネル推定およびフィードバック技術より優れる。
  論文  参考訳（メタデータ） (2023-06-08T06:15:17Z)
• Neural Calibration for Scalable Beamforming in FDD Massive MIMO with Implicit Channel Estimation [10.775558382613077]
  チャネル推定とビームフォーミングは、周波数分割二重化(FDD)大規模マルチインプット多重出力(MIMO)システムにおいて重要な役割を果たす。 受信したアップリンクパイロットに応じて,基地局のビームフォーマを直接最適化する深層学習方式を提案する。 エンド・ツー・エンドの設計のスケーラビリティを向上させるために,ニューラルキャリブレーション法を提案する。
  論文  参考訳（メタデータ） (2021-08-03T14:26:14Z)
• MACCIF-TDNN: Multi aspect aggregation of channel and context interdependence features in TDNN-based speaker verification [5.28889161958623]
  時間遅延ニューラルネットワーク(TDNN)に基づくマルチアスペクトからチャネルとコンテキストの相互依存性を集約する新しいネットワークアーキテクチャを提案する。 提案したMACCIF-TDNNアーキテクチャは、VoxCeleb1テストセット上で最先端のTDNNベースのシステムよりも優れている。
  論文  参考訳（メタデータ） (2021-07-07T09:43:42Z)

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。