論文の概要: Meta-Transfer Learning for mmWave Beam Alignment
- arxiv url: http://arxiv.org/abs/2607.00860v1
- Date: Wed, 01 Jul 2026 12:24:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-02 19:56:07.888352
- Title: Meta-Transfer Learning for mmWave Beam Alignment
- Title（参考訳）: mm波ビームアライメントのためのメタトランスファー学習
- Authors: Ahmet Nuri Cevik, Sinem Coleri,
- Abstract要約: MTL-BAはミリ波多重出力単出力(MISO)システムにおけるビームアライメントのためのメタトランスファー学習フレームワークである。
MTL-BAは, 各種SNRレベルのフル微調整の精度とスペクトル効率に適合することを示した。
- 参考スコア（独自算出の注目度）: 8.956048958779315
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Millimeter-wave (mmWave) beam alignment plays a critical role in next-generation wireless systems, yet its efficient implementation remains challenging. Meta-learning and transfer learning have been explored to enable deep learning-based beam prediction models to rapidly adapt to unseen environments; however, existing meta-learning approaches adapt the entire network and are trained from random initialization, leading to a large number of updated parameters and a high meta-training cost, while transfer learning approaches restrict adaptation to part of the network but do not exploit episodic meta-learning, which explicitly trains the model over multiple tasks, to optimize the adaptation process itself. To overcome these limitations, we propose MTL-BA, a meta-transfer learning framework for beam alignment in millimeter-wave multiple-input single-output (MISO) systems that freezes a pre-trained convolutional backbone and meta-learns only lightweight Scale-and-Shift (SS) adapters together with a classifier head. Warm-starting from the pre-trained model and restricting adaptation to the SS adapters and classifier head reduce both the adaptation cost and the meta-training budget without sacrificing prediction performance. Simulation results on the DeepMIMO ray-tracing dataset show that MTL-BA matches the accuracy and spectral efficiency of full fine-tuning across various SNR levels despite updating approximately $17\times$ fewer parameters than both full fine-tuning and Model-Agnostic Meta-Learning (MAML), outperforms last-layer fine-tuning while updating a comparable number of parameters, and approaches MAML's performance while requiring $60\%$ fewer meta-training epochs.
- Abstract（参考訳）: ミリ波ビームアライメントは次世代無線システムにおいて重要な役割を果たすが、その効率的な実装は依然として困難である。
しかし、既存のメタ学習アプローチはネットワーク全体に適応し、ランダムな初期化からトレーニングされ、多数の更新されたパラメータと高いメタトレーニングコストをもたらす一方、トランスファーラーニングアプローチはネットワークの一部への適応を制限するが、複数のタスクに対してモデルを明示的にトレーニングするエピソードなメタ学習を活用せず、適応プロセス自体を最適化する。
これらの制限を克服するため,MTL-BAはミリ波マルチインプット・シングルアウトプット(MISO)システムにおけるビームアライメントのためのメタトランスファー学習フレームワークであり,プリトレーニングされた畳み込みバックボーンとメタラーンのみの軽量スケール・アンド・シフト(SS)アダプタとクラシファイアヘッドを凍結する。
事前学習モデルからウォームスタートし、SSアダプタと分類器ヘッドへの適応を制限することで、予測性能を犠牲にすることなく適応コストとメタトレーニング予算を削減できる。
DeepMIMO ray-tracing データセットのシミュレーション結果によると、MTL-BA は、総微調整とモデル非依存メタラーニング(MAML)の両方よりもパラメータが少ないにもかかわらず、様々な SNR レベルのフル微調整の精度とスペクトル効率に一致する。
関連論文リスト
- A Low-Complexity Plug-and-Play Deep Learning Model for Massive MIMO Precoding Across Sites [5.896656636095934]
MMIMO技術は、スペクトル効率とネットワーク容量を向上させることで、無線通信を変革した。
本稿では,既存のアプローチの複雑性問題に対処するための,新しいディープラーニングベースのmMIMOプリコーダを提案する。
論文 参考訳（メタデータ） (2025-02-12T20:02:36Z) - One-Class Domain Adaptation via Meta-Learning [0.5937476291232802]
IoT(IoT of Things)センサーベースの機械学習モデルの産業システムへの展開により、異常分類タスクが大きな課題となっている。
したがって、ある環境から別の環境へ効果的に移行できる適応型機械学習モデルを開発することが重要である。
我々は,任意の二段階メタ学習アルゴリズムをOC-DAに適応させるタスクサンプリング戦略を提案した。
OC-DA MAMLアルゴリズムはRainbow-MNISTメタラーニングベンチマークと実際の振動に基づくセンサ読み取りのデータセットで評価される。
論文 参考訳（メタデータ） (2025-01-22T18:01:24Z) - FREE: Faster and Better Data-Free Meta-Learning [77.90126669914324]
Data-Free Meta-Learning (DFML) は、トレーニング済みモデルのコレクションから、元のデータを必要としない知識を抽出することを目的としている。
i)事前訓練されたモデルからトレーニングタスクを迅速に回復するためのメタジェネレータ,(ii)新しい未知のタスクに一般化するためのメタラーナーを含む、より高速で優れたデータフリーなメタラーニングフレームワークを紹介する。
論文 参考訳（メタデータ） (2024-05-02T03:43:19Z) - MPC of Uncertain Nonlinear Systems with Meta-Learning for Fast Adaptation of Neural Predictive Models [6.031205224945912]
ニューラル状態空間モデル(NSSM)は、ディープエンコーダネットワークがデータから非線形性を学ぶ非線形系を近似するために用いられる。
これにより非線形系を潜在空間の線形系に変換し、モデル予測制御(MPC)を用いて効果的な制御動作を決定する。
論文 参考訳（メタデータ） (2024-04-18T11:29:43Z) - Task Aware Modulation using Representation Learning: An Approach for Few Shot Learning in Environmental Systems [15.40286222692196]
TAM-RLは異種システムにおける少数ショット学習のための新しいフレームワークである。
2つの実環境データセット上でのTAM-RLの評価を行った。
論文 参考訳（メタデータ） (2023-10-07T07:55:22Z) - Meta-Learning with Self-Improving Momentum Target [72.98879709228981]
メタラーナーの性能を向上させるために,SiMT(Self-improving Momentum Target)を提案する。
SiMTはメタラーナーの時間アンサンブルから適応してターゲットモデルを生成する。
我々は、SiMTが幅広いメタ学習手法と組み合わせることで、大きなパフォーマンス向上をもたらすことを示す。
論文 参考訳（メタデータ） (2022-10-11T06:45:15Z) - Robust MAML: Prioritization task buffer with adaptive learning process
for model-agnostic meta-learning [15.894925018423665]
モデル非依存メタラーニング(MAML)は、最先端のメタラーニングアルゴリズムである。
本稿では適応型学習方式と優先順位付けタスクバッファに基づくより堅牢なMAMLを提案する。
メタ強化学習環境の実験結果は、実質的なパフォーマンス向上を示している。
論文 参考訳（メタデータ） (2021-03-15T09:34:34Z) - Meta-Learning with Neural Tangent Kernels [58.06951624702086]
メタモデルのニューラルタンジェントカーネル(NTK)によって誘導される再生カーネルヒルベルト空間(RKHS)における最初のメタラーニングパラダイムを提案する。
このパラダイムでは,MAMLフレームワークのように,最適な反復内ループ適応を必要としない2つのメタ学習アルゴリズムを導入する。
本研究の目的は,1) 適応をRKHSの高速適応正則化器に置き換えること,2) NTK理論に基づいて解析的に適応を解くことである。
論文 参考訳（メタデータ） (2021-02-07T20:53:23Z) - A Meta-Learning Approach to the Optimal Power Flow Problem Under
Topology Reconfigurations [69.73803123972297]
メタラーニング(MTL)アプローチを用いて訓練されたDNNベースのOPF予測器を提案する。
開発したOPF予測器はベンチマークIEEEバスシステムを用いてシミュレーションにより検証される。
論文 参考訳（メタデータ） (2020-12-21T17:39:51Z) - Meta-Learning with Adaptive Hyperparameters [55.182841228303225]
我々は、MAMLフレームワークの補完的要素、インナーループ最適化(あるいは高速適応)に焦点を当てる。
高速適応プロセスを大幅に向上させる新しい重み更新ルールを提案する。
論文 参考訳（メタデータ） (2020-10-31T08:05:34Z)
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。