Fugu-MT 論文翻訳(概要): Practical Cross-Band Channel Prediction for AI-RAN via Physics-Guided Deep Unfolding

論文の概要: Practical Cross-Band Channel Prediction for AI-RAN via Physics-Guided Deep Unfolding

arxiv url: http://arxiv.org/abs/2605.31279v1
Date: Fri, 29 May 2026 13:10:58 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-01 20:56:50.627594
Title: Practical Cross-Band Channel Prediction for AI-RAN via Physics-Guided Deep Unfolding
Title（参考訳）: 物理誘導深部展開によるAI-RANのクロスバンドチャネル予測
Abstract要約: GUIDEは,無線チャネル物理を異なる層に埋め込む物理誘導型深層展開フレームワークである。目に見えない環境で再トレーニングすることなく、GUIDEは深層学習ベースのベースラインFIREよりも2.75倍のビームフォーミングゲインを達成し、推論時間もわずかに増加している。
参考スコア（独自算出の注目度）: 12.627486047667796
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: To make cross-band channel prediction practical for AI-native RAN, algorithms must generalize across diverse environments and support real-time inference. Existing approaches achieve one but not both. To bridge this gap, we introduce GUIDE, a physics-guided deep unfolding framework that embeds wireless channel physics into differentiable layers. Without retraining in unseen environments, GUIDE achieves 2.75x beamforming gain than the deep learning-based baseline FIRE with only a slight increase in inference time, and 1.39x beamforming gain than the strongest model-based baseline R2F2 while running over 1610x faster.
Abstract（参考訳）: AIネイティブRANにおいて、クロスバンドチャネル予測を実用的なものにするために、アルゴリズムは様々な環境にわたって一般化し、リアルタイム推論をサポートする必要がある。既存のアプローチは1つだが両方ではない。このギャップを埋めるために、我々は、無線チャネル物理を異なる層に埋め込む物理誘導の深い展開フレームワークであるGUIDEを紹介した。目に見えない環境で再トレーニングすることなく、GUIDEは深層学習ベースのベースラインFIREよりも2.75倍のビームフォーミングゲインを、推論時間がわずかに増加し、最強のモデルベースベースベースラインR2F2よりも1.39倍のビームフォーミングゲインを達成する。

関連論文リスト

Rethinking Pre-Training and Augmentation for Zero-Shot Cross-City Object Detection [14.031215272664538]
本研究では,2つのコア柱を中心に構築された物体検出のための新しいトレーニングパイプラインを提案する。我々のフレームワークは、限られたGPUメモリ(16GB)を使用しながら都市間分散ギャップを橋渡しします。最適化されたRF-DETR-HRとRF-DETR-Grayworldは、ベースラインに対して+24.29の実質的な増加をもたらす。
論文参考訳（メタデータ） (2026-08-25T07:16:42Z)
DiffusionGemma Technical Report [72.10570774996219]
DiffusionGemma(ディフュージョン・ジェマ)は、離散拡散を用いてテキストを生成する言語モデルである。 DiffusionGemmaは、一度に1つのトークンをデコードする代わりに、256個のトークンのブロックを並列に繰り返し洗練する。私たちの計算効率の良い2段階トレーニングパイプラインは、開始したARモデルの総トレーニングトークン予算の10%未満を使用します。
論文参考訳（メタデータ） (2026-07-31T16:11:46Z)
From AR to Diffusion: Efficiently Adapting Large Language Models with Strictly Causal and Elastic Horizons [74.25767873168745]
拡散モデルは効率的な並列テキスト生成を約束するが、双方向の注意に依存し、事前訓練された自己回帰(AR)モデルによる構造的ミスマッチを生成する。本稿では,ARバックボーンを拡散パラダイムに効率的に適応するフレームワークであるFLUIDを提案する。実験により、FLUIDは訓練コストを桁違いに削減しつつ、最先端の性能を達成することが示された。
論文参考訳（メタデータ） (2026-04-11T13:18:27Z)
Bi-Anchor Interpolation Solver for Accelerating Generative Modeling [23.42712280535309]
フローマッチング(FM)モデルは高忠実度合成の主要なパラダイムとして登場してきた。トレーニング不要の問題解決者は、低次神経機能評価において、大幅なパフォーマンス劣化に悩まされる。バイアンカー補間解法(BA-solver)を提案する。 BAソルバは、トレーニング不要の標準ソルバの汎用性を保ちながら、大幅な加速を実現している。
論文参考訳（メタデータ） (2026-01-29T10:59:36Z)
Multi-Scenario Highway Lane-Change Intention Prediction: A Temporal Physics-Informed Multi-Modal Framework [7.719990052862356]
車線変更意図予測は、自動運転とADASにとって安全に欠かせないものである。本稿では,物理に着想を得たインタラクションキューと深部時間表現を融合するハイブリッドフレームワークであるTPI-AIを提案する。 TPI-AIはスタンドアローンのLightGBMとBi-LSTMベースラインより優れており、マクロF1は0.9562、0.9124、0.8345、ハイDは0.9247、0.8197、0.7605、T = 1, 2, 3 sである。
論文参考訳（メタデータ） (2025-12-30T08:36:35Z)
Nemotron-Cascade: Scaling Cascaded Reinforcement Learning for General-Purpose Reasoning Models [71.9060068259379]
汎用推論モデルを構築するために,ケースド・ドメインワイド強化学習を提案する。私たちの14Bモデルは、RLの後、LiveCodeBench v5/v6 ProでSFTの教師であるDeepSeek-R1-0528を上回り、インフォマティクスにおける2025 International Olympiad in Informatics (IOI)における銀の医療性能を上回りました。
論文参考訳（メタデータ） (2025-12-15T18:02:35Z)
RadioFlow: Efficient Radio Map Construction Framework with Flow Matching [26.78892458959378]
次世代無線システムには、無線マップ(RM)生成が不可欠である。フローマッチングに基づく生成フレームワークである textbfRadioFlow を提案する。 RadioFlowは8$times$未満のパラメータと4$times$で最先端の拡散ベースのベースラインと比較して高速な推論を実現している。
論文参考訳（メタデータ） (2025-10-10T12:11:51Z)
RadioDiff-$k^2$: Helmholtz Equation Informed Generative Diffusion Model for Multi-Path Aware Radio Map Construction [76.24833675757033]
物理インフォームド・ジェネレーティブ・ラーニング・アプローチであるRadioDiff-$k2$を提案する。提案するRadioDiff-$k2$フレームワークは,画像レベルのRM構成とローカライズタスクの両方において,最先端(SOTA)性能を実現する。
論文参考訳（メタデータ） (2025-04-22T06:28:13Z)
DRL-based Dolph-Tschebyscheff Beamforming in Downlink Transmission for Mobile Users [52.9870460238443]
学習可能なDolph-Tschebyscheffアンテナアレイを用いた深部強化学習に基づくブラインドビームフォーミング手法を提案する。シミュレーションの結果,提案手法は最良値に非常に近いデータレートをサポートできることが示唆された。
論文参考訳（メタデータ） (2025-02-03T11:50:43Z)
Near-field Beam training for Extremely Large-scale MIMO Based on Deep Learning [20.67122533341949]
深層学習に基づく近接場ビームトレーニング手法を提案する。我々は,歴史データからチャネル特性を効率的に学習するために,畳み込みニューラルネットワーク(CNN)を用いる。提案手法は,従来のビームトレーニング法と比較して,より安定したビームフォーミングゲインを実現し,性能を著しく向上させる。
論文参考訳（メタデータ） (2024-06-05T13:26:25Z)
Adaptive Federated Learning Over the Air [108.62635460744109]
オーバー・ザ・エア・モデル・トレーニングの枠組みの中で,適応勾配法,特にAdaGradとAdamの連合バージョンを提案する。解析の結果,AdaGrad に基づくトレーニングアルゴリズムは $mathcalO(ln(T) / T 1 - frac1alpha の速度で定常点に収束することがわかった。
論文参考訳（メタデータ） (2024-03-11T09:10:37Z)
Unified Field Theory for Deep and Recurrent Neural Networks [56.735884560668985]
本稿では,再帰的ネットワークと深層ネットワークの両方に対する平均場理論の統一的,体系的な導出について述べる。平均場理論への収束は、ディープネットワークよりもリカレントネットワークの方が典型的に遅い。提案手法はガウス過程が1/n$の体系的展開の最下位次数であることを示す。
論文参考訳（メタデータ） (2021-12-10T15:06:11Z)
Deep Learning-based Compressive Beam Alignment in mmWave Vehicular Systems [75.77033270838926]
車両用チャネルは、より少ないチャネル測定でビームアライメントに活用できる構造を示す。構造化圧縮センシング(CS)行列を設計するための深層学習手法を提案する。
論文参考訳（メタデータ） (2021-02-27T04:38:12Z)

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。