論文の概要: PilotWiMAE: Pilot-Native Representation Learning for Wireless Channels

• arxiv url: http://arxiv.org/abs/2605.22856v1
• Date: Tue, 19 May 2026 06:21:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-25 17:29:19.999099
• Title: PilotWiMAE: Pilot-Native Representation Learning for Wireless Channels
• Title（参考訳）: PilotWiMAE: 無線チャネルのためのパイロットネイティブ表現学習
• Authors: Berkay Guler, Giovanni Geraci, Hamid Jafarkhani,
• Abstract要約: 本稿では,エンコーダがノイズの多いパイロット観測を直接摂取する自己教師型フレームワークであるPilotWiMAEを紹介する。 パイロット入力は観測空間を最大2桁まで縮小し、フルCSI可用性の非現実的な仮定を除去する。 本稿では,エンコーダとデコーダを併用した事前学習段階を提案する。
• 参考スコア（独自算出の注目度）: 19.277001743060435
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Channel foundation models assume access to fully observed channels, an assumption that fails in deployment. We introduce PilotWiMAE, a self-supervised framework whose encoder ingests noisy pilot observations directly and whose attention factorizes along the axis separating temporal from joint space-frequency processing, an inductive bias inspired by the physics of the problem. Pilot input shrinks the observation space by up to two orders of magnitude and also removes the unrealistic assumption of full-CSI availability while incurring lower latency. The factorized design generates robust representations by exploiting the separable channel structure and allows a pretraining mask ratio of $99\%$. We pair patch-normalized reconstruction, which captures small-scale fading structure, with an auxiliary scale loss that recovers the large-scale fading features, and use an AWGN curriculum to match pilot noise at pretraining and deployment. Pretrained solely on $3.5$\,GHz and evaluated at $28$\,GHz across in-distribution and out-of-distribution settings, PilotWiMAE's cross-frequency beam selection and channel characterization beat supervised baselines despite operating on a smaller observation space. To weaken the coupling between decoder capacity and representation quality, we further propose a decoder-centric pretraining stage following the encoder-decoder joint pretraining, which allows PilotWiMAE to demonstrate competitive channel estimation without sacrificing representation quality. To foster further work in this direction, we release the PilotWiMAE pretrained weights and training pipeline, together with CSIGen, our Sionna-based ray-tracing channel-generation tool, and the channel datasets used in this work.
• Abstract（参考訳）: チャネルファウンデーションモデルは、完全に観察されたチャネルへのアクセスを前提とします。 本稿では, 自己教師型フレームワークであるPilotWiMAEを紹介する。これは, エンコーダが直接ノイズの多いパイロット観測を取り込み, 空間周波数処理から時空間を分離する軸に沿って注意を分解し, 問題の物理に着想を得た帰納バイアスである。 パイロット入力は観測空間を最大2桁まで縮小し、低レイテンシを伴いながらフルCSI可用性の非現実的な仮定を除去する。 因子化設計では、分離可能なチャネル構造を利用してロバスト表現を生成し、事前学習マスク比が99\%$である。 小型のフェーディング構造を捕捉するパッチ正規化再構成と,大規模フェーディング特性を回復する補助的なスケールロスと,事前訓練や展開時にパイロットノイズにマッチするAWGNカリキュラムを併用する。 3.5$\,GHzのみに事前トレーニングされ、分布内および分布外設定の28$\,GHzで評価され、PilotWiMAEのクロス周波数ビーム選択とチャネルキャラクタリゼーションは、より小さな観測空間で運用されているにもかかわらず、教師付きベースラインを上回った。 さらに,デコーダ容量と表現品質の結合を弱めるために,エンコーダとデコーダを併用した事前学習ステージを提案する。 この方向へのさらなる作業を促進するため、私たちは、CSIGen、Sionnaベースのレイトレーシングチャネル生成ツール、およびこの作業で使用されるチャネルデータセットとともに、PilotWiMAE事前トレーニングされたウェイトとトレーニングパイプラインをリリースしました。

関連論文リスト

• Land-then-transport: A Flow Matching-Based Generative Decoder for Wireless Image Transmission [38.71668959954467]
  低遅延デコーディングのためのフローマッチング生成デコーダを提案する。 JPEG2000+LDPC、DeepJSCC、拡散ベースラインに対して一貫した利得を示す実験がある。 LTTは、無線画像デコード生成のための決定論的、物理的に解釈可能、効率的なフレームワークを提供する。
  論文  参考訳（メタデータ） (2026-01-12T13:09:37Z)
• Environment-Aware Channel Inference via Cross-Modal Flow: From Multimodal Sensing to Wireless Channels [45.969793510760645]
  この論文では、マルチモーダル観測から直接完全なCSIを推定するパイロットフリーチャネル推定について検討する。 本研究では,センサ・チャネル間マッピングをモーダル間フローマッチング問題として定式化するデータ駆動型フレームワークを開発した。 実験では,シオンナとブレンダーをベースとした手続き型データ生成装置を構築し,センシングシーンのリアルなモデリングと無線伝搬を支援する。
  論文  参考訳（メタデータ） (2025-12-04T16:35:09Z)
• Rethinking Transformer-Based Blind-Spot Network for Self-Supervised Image Denoising [94.09442506816724]
  BSN(Blind-spot Network)は、自己教師付き画像復調(SSID)におけるニューラルネットワークアーキテクチャとして広く使われている。 本研究では,Transformer ベースの Blind-Spot Network (TBSN) を構築した。
  論文  参考訳（メタデータ） (2024-04-11T15:39:10Z)
• Over-the-Air Design of GAN Training for mmWave MIMO Channel Estimation [35.62977046569772]
  我々は,ノイズを受信したパイロット測度を利用して深層生成モデルの訓練を行う,教師なしオーバー・ザ・エア(OTA)アルゴリズムを開発した。 次に、逆問題として、限られた数のパイロット測定値からチャネル推定を定式化する。 提案するフレームワークは,実雑音のパイロット測定を用いてオンライントレーニングを行うことが可能である。
  論文  参考訳（メタデータ） (2022-05-25T02:26:34Z)
• Model-Driven Deep Learning Based Channel Estimation and Feedback for Millimeter-Wave Massive Hybrid MIMO Systems [61.78590389147475]
  本稿では,ミリ波(mmWave)システムのモデル駆動深層学習(MDDL)に基づくチャネル推定とフィードバック方式を提案する。 無線周波数(RF)鎖の限られた数から高次元チャネルを推定するためのアップリンクパイロットオーバーヘッドを低減するために,位相シフトネットワークとチャネル推定器を自動エンコーダとして共同で訓練することを提案する。 MDDLに基づくチャネル推定とフィードバック方式は,最先端の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-04-22T13:34:53Z)
• End-to-end Learning for OFDM: From Neural Receivers to Pilotless Communication [12.325545487629297]
  周波数選択型および時間選択型フェーディングチャネル上でのエンド・ツー・エンド・ラーニングの効果について検討する。 受信機における不完全なチャネル知識により、AWGNチャネルで観測されたシェイピングゲインは消滅する。 他の2つのパフォーマンス改善源を特定します。
  論文  参考訳（メタデータ） (2020-09-11T07:33:00Z)

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。