論文の概要: LatentWave: JEPA Pretraining for Wireless Foundation Models

• arxiv url: http://arxiv.org/abs/2606.06373v1
• Date: Thu, 04 Jun 2026 16:39:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-05 22:39:44.968565
• Title: LatentWave: JEPA Pretraining for Wireless Foundation Models
• Title（参考訳）: LatentWave: JEPA Pretraining for Wireless Foundation Models
• Authors: Ahmed Mohamed, Ahmed Aboulfotouh, Hatem Abou-Zeid,
• Abstract要約: 我々は,JEPA(Joint-Embedding Predictive Architecture)を用いた無線基礎モデルであるLatentWaveを提案する。 LatentWaveは、さまざまな下流タスクにまたがって、最初から転送可能な表現を学習する。 マスキングはタスク依存の帰納バイアスを導入し,領域マスキングは信号分類における識別性を向上することを示した。
• 参考スコア（独自算出の注目度）: 7.728643029778198
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Wireless foundation models have emerged as a promising alternative to building separate models for each wireless task. However, existing approaches rely on masked input reconstruction, which can bias representations toward low-level signal details. In this paper, we propose LatentWave, a wireless foundation model pretrained using a Joint-Embedding Predictive Architecture (JEPA) on diverse wireless spectrograms and channel state information (CSI). By predicting masked regions in latent space, LatentWave learns representations that are more transferable out of the box across diverse downstream tasks. The proposed architecture employs per-channel patch embeddings with stochastic channel sampling during pretraining, allowing it to process variable antenna counts and improving usability across heterogeneous wireless configurations. We evaluate LatentWave on four downstream tasks: RF signal classification, 5G NR positioning, beam prediction, and LoS/NLoS classification, comparing against a masked-modeling baseline (WavesFM) pretrained on the same data. Additionally, we show that the masking geometry introduces a task-dependent inductive bias: frequency masking strongly favors channel-related tasks such as positioning and beam prediction, while region masking better preserves discriminability for signal classification.
• Abstract（参考訳）: ワイヤレスファンデーションモデルは、無線タスクごとに別々のモデルを構築するための、有望な代替手段として登場した。 しかし、既存のアプローチでは、低レベル信号の詳細へのバイアス表現が可能なマスク付き入力再構成に依存している。 本稿では,様々な無線スペクトログラムとチャネル状態情報(CSI)に基づいて,JEPA(Joint-Embedding Predictive Architecture)を用いて事前訓練した無線基礎モデルであるLatentWaveを提案する。 潜在空間のマスキング領域を予測することで、LatentWaveは、さまざまな下流タスクのボックスから転送可能な表現を学習する。 提案アーキテクチャでは、事前トレーニング中にチャネルごとのパッチ埋め込みと確率的チャネルサンプリングを採用し、可変アンテナ数を処理し、異種無線構成でのユーザビリティを向上させる。 我々は、RF信号分類、5G NR位置決め、ビーム予測、LoS/NLoS分類の4つの下流タスクにおいて、LatentWaveを評価し、同じデータ上で事前訓練されたマスクモデルベースライン(WavesFM)と比較した。 周波数マスキングは位置決めやビーム予測などのチャネル関連タスクを強く好んでおり、領域マスキングは信号分類の識別性をよりよく保っている。

関連論文リスト

• Learning to Separate RF Signals Under Uncertainty: Detect-Then-Separate vs. Unified Joint Models [53.79667447811139]
  受信した信号に直接適用した場合、単一のディープニューラルネットワークアーキテクチャが共同で検出および分離することを学習していることを示す。 これらの結果から,UJM は DTS に代わるスケーラブルで実用的な代替品であり,広範に推定された統合分離のための新たな方向を開拓した。
  論文  参考訳（メタデータ） (2026-02-04T15:25:02Z)
• Transmitter Identification via Volterra Series Based Radio Frequency Fingerprint [3.7848713545513317]
  RFF(Radio Frequency Fingerprinting)は、暗号を必要とせず、偽造に抵抗するため、有望な解決策を提供する。 既存のRFFアプローチは、しばしば統一理論と効果的な特徴抽出を欠いている。 本研究では,送信機をブラックボックスとしてモデル化し,送信信号への影響を分析する。 パブリックなLoRaデータセットの実験では、静的チャネルでは98%以上の精度で、マルチパスとドップラー効果下で90%以上の精度で、最先端のパフォーマンスを示している。
  論文  参考訳（メタデータ） (2025-10-22T10:11:41Z)
• Unsupervised Radio Map Construction in Mixed LoS/NLoS Indoor Environments [34.91945910235526]
  本稿では,チャネル伝播シーケンスから直接データ収集軌道を復元することを目的とする。 提案手法は,室内環境における平均局部位置精度0.65mを実現する。
  論文  参考訳（メタデータ） (2025-10-09T09:53:24Z)
• RF Challenge: The Data-Driven Radio Frequency Signal Separation Challenge [66.33067693672696]
  本稿では、深層学習手法を利用したデータ駆動手法を用いて、高周波信号における干渉拒否の重大な問題に対処する。 本論文の主な貢献は、RF信号データセットであるRF Challengeの導入である。
  論文  参考訳（メタデータ） (2024-09-13T13:53:41Z)
• Generating High Dimensional User-Specific Wireless Channels using Diffusion Models [27.848413167129774]
  本稿では拡散モデルを用いて合成無線チャネルデータを生成する新しい手法を提案する。 提案手法では,条件付き拡散暗黙的モデル (cDDIM) を用いて,ユーザ位置とマルチアンテナチャネル特性の関係を効果的に把握する。 我々は、ユーザ位置を条件入力として合成された高忠実度チャネルサンプルを生成し、測定不足を克服するために、より大きな拡張データセットを作成する。
  論文  参考訳（メタデータ） (2024-09-05T22:08:28Z)
• A Universal Deep Neural Network for Signal Detection in Wireless Communication Systems [35.07773969966621]
  無線通信におけるチャネル推定と信号検出のための有望なアプローチとして,Deep Learning (DL) が登場している。 無線チャネルの動的性質に対処するためには、新しい非老化データに基づいてDL手法を再訓練する必要がある。 本稿では,モデルを再学習することなく,様々な無線環境において高い検出性能を達成できる,新しいユニバーサルディープニューラルネットワーク(Uni-DNN)を提案する。
  論文  参考訳（メタデータ） (2024-04-03T11:21:10Z)
• Physical-Layer Semantic-Aware Network for Zero-Shot Wireless Sensing [74.12670841657038]
  デバイスレスワイヤレスセンシングは、幅広い没入型人間機械対話型アプリケーションをサポートする可能性から、近年、大きな関心を集めている。 無線信号におけるデータの均一性と分散センシングにおけるデータプライバシ規制は、広域ネットワークシステムにおける無線センシングの広範な適用を妨げる主要な課題であると考えられている。 そこで本研究では,ラベル付きデータを使わずに,一箇所ないし限られた箇所で構築されたモデルを直接他の場所に転送できるゼロショット無線センシングソリューションを提案する。
  論文  参考訳（メタデータ） (2023-12-08T13:50:30Z)
• Multi-task Learning Approach for Modulation and Wireless Signal Classification for 5G and Beyond: Edge Deployment via Model Compression [1.218340575383456]
  将来的な通信網は、異種無線デバイスの成長に対応するために、少ないスペクトルに対処する必要がある。 我々は、深層ニューラルネットワークに基づくマルチタスク学習フレームワークの可能性を利用して、変調と信号分類タスクを同時に学習する。 公共利用のための包括的ヘテロジニアス無線信号データセットを提供する。
  論文  参考訳（メタデータ） (2022-02-26T14:51:02Z)
• Three-Way Deep Neural Network for Radio Frequency Map Generation and Source Localization [67.93423427193055]
  空間、時間、周波数領域にわたる無線スペクトルのモニタリングは、5Gと6G以上の通信技術において重要な特徴となる。 本稿では,空間領域全体にわたる不規則分散計測を補間するGAN(Generative Adversarial Network)機械学習モデルを提案する。
  論文  参考訳（メタデータ） (2021-11-23T22:25:10Z)
• 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。