論文の概要: SpikeWFM: Spiking-Aided Wireless Foundation Model for Robust Channel Prediction

• arxiv url: http://arxiv.org/abs/2606.00120v1
• Date: Thu, 28 May 2026 03:27:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:27.978759
• Title: SpikeWFM: Spiking-Aided Wireless Foundation Model for Robust Channel Prediction
• Title（参考訳）: SpikeWFM:ロバストチャネル予測のためのスパイク支援ワイヤレスファンデーションモデル
• Authors: Liwen Jing, Yisha Lu, Tingting Yang, Li Sun, Yuxuan Shi, Yuwei Wang, Mengfan Zheng, Leiyang Xu,
• Abstract要約: SpikeWFMは、スパイキングニューラルネットワーク(SNN)と従来の人工ニューラルネットワーク(ANN)ベースのワイヤレス基礎モデル(WFM)を統合した新しいハイブリッドアーキテクチャである。 SpikeWFMは、人間の脳におけるノイズロスとエネルギー効率の高い情報処理にインスパイアされ、ノイズや干渉に対するWFMの弾力性を高めることを目的としている。 実験結果から,SpikeWFMはトレーニング前の収束とチャネル予測精度の両方において,従来のANNベースのWFMよりも一貫して優れていた。
• 参考スコア（独自算出の注目度）: 17.965155267466127
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper proposes SpikeWFM, a novel hybrid architecture that integrates spiking neural networks (SNNs) with conventional artificial neural network (ANN)-based transformers for wireless foundation models (WFMs). Inspired by the noise-robust and energy-efficient information processing in the human brain, SpikeWFM aims to enhance the resilience of WFMs against noise and interference while maintaining strong generalization capabilities across diverse wireless scenarios. Drawing from the success of large language models, WFMs leverage self-supervised pre-training on large-scale datasets spanning various wireless environments to learn a unified embedding that supports a wide range of downstream tasks, including channel prediction, channel estimation, beam predition, positioning and etc. Such models typically outperform task-specific designs and exhibit superior adaptability to unseen conditions. However, existing WFMs remain vulnerable to realistic noise and interference in practical wireless systems. To address this limitation, we incorporate spiking neurons into the transformer-based WFM architecture. We provide a brief theoretical analysis demonstrating how the SNN-ANN hybrid effectively mitigates noise and interference through temporal sparsity and event-driven processing. Experimental results show that SpikeWFM consistently outperforms conventional ANN-based WFMs in both pre-training convergence and channel prediction accuracy. Additional results on communication and sensing tasks will be presented in the full journal version of this work.
• Abstract（参考訳）: 本稿では、スパイキングニューラルネットワーク(SNN)を従来の人工ニューラルネットワーク(ANN)ベースの無線基礎モデル(WFM)トランスフォーマと統合する新しいハイブリッドアーキテクチャであるSpikeWFMを提案する。 SpikeWFMは、人間の脳におけるノイズロスとエネルギー効率の高い情報処理にインスパイアされ、様々な無線シナリオにおける強力な一般化能力を維持しながら、ノイズや干渉に対するWFMの弾力性を高めることを目的としている。 大規模な言語モデルの成功から引き出されたWFMは、様々な無線環境にまたがる大規模データセットの自己教師付き事前トレーニングを活用して、チャネル予測、チャネル推定、ビーム沈降、位置決めなど、幅広い下流タスクをサポートする統一的な埋め込みを学ぶ。 このようなモデルは典型的にはタスク固有の設計よりも優れており、目に見えない条件に対して優れた適応性を示す。 しかし、既存のWFMは、実用的な無線システムにおいて、現実的なノイズや干渉に弱いままである。 この制限に対処するために、我々はトランスフォーマーベースのWFMアーキテクチャにスパイキングニューロンを組み込む。 本稿では,SNN-ANNハイブリッドが時間空間とイベント駆動処理を通じて,ノイズや干渉を効果的に緩和することを示す,簡単な理論的解析を行う。 実験結果から,SpikeWFMはトレーニング前の収束とチャネル予測精度の両方において,従来のANNベースのWFMよりも一貫して優れていた。 コミュニケーションおよびセンシングタスクに関する追加の結果は、この作業の全ジャーナルバージョンで発表される。

関連論文リスト

• An Explainable Failure Prediction Framework for Neural Networks in Radio Access Networks [10.654909628583079]
  5Gネットワークは、高速、低レイテンシ、信頼性の高い通信を提供するために進化を続けている。 ミリ波周波数はギガビットのデータレートを可能にするが、環境要因の影響を受けやすく、しばしば無線リンク障害(RLF)を引き起こす。 この研究は、説明可能性に基づく機能プルーニングとモデルの改良を組み合わせたフレームワークを導入している。
  論文  参考訳（メタデータ） (2026-01-28T19:19:46Z)
• Neuromorphic Wireless Split Computing with Resonate-and-Fire Neurons [69.73249913506042]
  本稿では、共振器(RF)ニューロンを用いて時間領域信号を直接処理する無線スプリットコンピューティングアーキテクチャについて検討する。 可変周波数で共鳴することにより、RFニューロンは低スパイク活性を維持しながら時間局在スペクトル特徴を抽出する。 実験の結果,提案したRF-SNNアーキテクチャは従来のLIF-SNNやANNと同等の精度を達成できることがわかった。
  論文  参考訳（メタデータ） (2025-06-24T21:14:59Z)
• Latent Diffusion Model Based Denoising Receiver for 6G Semantic Communication: From Stochastic Differential Theory to Application [11.385703484113552]
  生成人工知能(GAI)を利用した新しい意味コミュニケーションフレームワークを提案する。 意味的特徴抽出のための変分オートエンコーダを組み合わせた潜在拡散モデル(LDM)に基づくセマンティックコミュニケーションフレームワークを提案する。 提案システムはゼロショットの一般化をサポートし,低SNRおよびアウト・オブ・ディストリビューション条件下での優れた性能を実現する訓練自由フレームワークである。
  論文  参考訳（メタデータ） (2025-06-06T03:20:32Z)
• RadioDiff: An Effective Generative Diffusion Model for Sampling-Free Dynamic Radio Map Construction [42.596399621642234]
  無線マップ(RM)は、位置のみに基づいてパスロスを得ることができる有望な技術である。 本稿では, サンプリングフリーのRM構造を条件付き生成問題としてモデル化し, 高品質なRM構造を実現するためにRadioDiffという名前の拡散拡散法を提案する。 実験の結果,提案したRadioDiffは,3つの精度,構造的類似度,ピーク信号対雑音比の3つの指標において,最先端性能を実現していることがわかった。
  論文  参考訳（メタデータ） (2024-08-16T08:02:00Z)
• The Role of Federated Learning in a Wireless World with Foundation Models [59.8129893837421]
  ファンデーションモデル(FM)は汎用人工知能(AI)モデルである。 現在、FMと連邦学習(FL)の相互作用の探索はまだ初期段階にある。 本稿では、FMが無線ネットワークよりもFLに適した範囲について検討し、その研究課題と機会について概観する。
  論文  参考訳（メタデータ） (2023-10-06T04:13:10Z)
• Interference Cancellation GAN Framework for Dynamic Channels [74.22393885274728]
  チャネルのあらゆる変更に適応できるオンライントレーニングフレームワークを導入します。 我々のフレームワークは、非常にダイナミックなチャネル上での最近のニューラルネットワークモデルよりも大幅に優れています。
  論文  参考訳（メタデータ） (2022-08-17T02:01:18Z)
• ChaRRNets: Channel Robust Representation Networks for RF Fingerprinting [0.0]
  RFフィンガープリントのための複雑値畳み込みニューラルネットワーク(CNN)を提案する。 我々は,深層学習(dl)技術を用いた無線iotデバイスの指紋認証の問題に注目する。
  論文  参考訳（メタデータ） (2021-05-08T03:03:21Z)
• Harnessing Wireless Channels for Scalable and Privacy-Preserving Federated Learning [56.94644428312295]
  無線接続は、フェデレートラーニング(FL)の実現に有効である Channel randomnessperturbs 各ワーカはモデル更新をインバージョンし、複数のワーカはバンド幅に大きな干渉を発生させる。 A-FADMMでは、すべてのワーカーがモデル更新をアナログ送信を介して単一のチャンネルを使用してパラメータサーバにアップロードする。 これは通信帯域幅を節約するだけでなく、各ワーカーの正確なモデル更新軌跡を任意の盗聴者から隠蔽する。
  論文  参考訳（メタデータ） (2020-07-03T16:31:15Z)

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。