論文の概要: Deep Learning for Joint Narrowband Interference Cancellation and Soft Demodulation in OFDM Systems

• arxiv url: http://arxiv.org/abs/2607.08717v1
• Date: Thu, 09 Jul 2026 17:26:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-10 14:45:27.609272
• Title: Deep Learning for Joint Narrowband Interference Cancellation and Soft Demodulation in OFDM Systems
• Title（参考訳）: OFDMシステムにおける共用狭帯域干渉キャンセラとソフト復調の深層学習
• Abstract要約: 狭帯域干渉(NBI)は周波数分割多重化(OFDM)システムを著しく劣化させる。 我々は統合型ディープラーニングフレームワークを用いて、NBIキャンセルと堅牢なソフト復調を行う。
• 参考スコア（独自算出の注目度）: 3.1567687557500297
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Narrowband interference (NBI) severely degrades orthogonal frequency-division multiplexing (OFDM) systems by corrupting subcarriers and rendering classical soft demodulation ineffective. Conventional compressed-sensing (CS) mitigation exhibits high sequential latency and leaves structured, non-Gaussian residuals that cause log-likelihood ratio (LLR) unreliability, decoder saturation, and severe error floors when employing classical Gaussian demappers. We resolve this pipeline mismatch using a unified deep learning framework for joint NBI cancellation and robust soft demodulation. First, NBI-CNet employs a physics-informed convolutional architecture to estimate NBI parameters and remove multi-tone interference in a single forward pass. Without requiring prior knowledge of the active interferer count, NBI-CNet reduces computational complexity by up to 60% ($N{=}2048, Q{=}64$) compared to the state-of-the-art EOMP-IDS algorithm. Second, LLR-CNet acts as a structural whitener by mapping non-Gaussian post-mitigation residuals onto well-calibrated soft metrics. Simulations demonstrate that this joint framework eliminates the error floors inherent to traditional baselines across dense grids. Under severe interference ($\text{SIR}{=}{-}10$ dB), the pipeline operates within a $0.2$ to $0.5$ dB SNR margin of the optimal iterative baseline at a target block error rate (BLER) of $10^{-4}$. Under mild interference ($\text{SIR}{=}10$ dB) with heavy spectral overlap ($Q{=}12$), where classical greedy algorithms erroneously subtract valid data components and corrupt the payload, NBI-CNet avoids signal-peak confusion to deliver a coding gain exceeding $3$ dB. Finally, the architecture circumvents the $2{\times}10^{-4}$ error floor triggered by interferer-estimation errors, while its scale-invariant design enables robust generalization across arbitrary FFT sizes without retraining.
• Abstract（参考訳）: 狭帯域干渉(NBI)は、直交周波数分割多重化(OFDM)システムを劣化させ、古典的な軟復調を非効率にする。 従来の圧縮センシング(CS)の緩和は、古典的なガウスのデマッパーを用いる際に、ログ類似率(LLR)の信頼性、デコーダの飽和、重度のエラーフロアを引き起こす非ガウスの残差を、高いシーケンシャルレイテンシと構造的に表す。 我々はこのパイプラインのミスマッチを、統合されたディープラーニングフレームワークを用いて解決し、NBIキャンセルと堅牢なソフト復調を実現する。 まず、NBI-CNetは物理インフォームドな畳み込みアーキテクチャを用いて、NBIパラメータを推定し、シングルフォワードパスにおけるマルチトン干渉を取り除く。 NBI-CNetは、アクティブな干渉数に関する事前知識を必要とせず、最先端のEOMP-IDSアルゴリズムと比較して、計算複雑性を最大60%(N{=}2048, Q{=}64$)削減する。 第2に、LLR-CNetは非ガウス後残基をよく校正されたソフトメトリクスにマッピングすることで構造ホワイトナーとして機能する。 シミュレーションにより、この結合フレームワークは、高密度グリッドにまたがる従来のベースラインに固有のエラーフロアを除去することを示した。 厳しい干渉 (\text{SIR}{=}{-}10$ dB) の下で、パイプラインは、目標ブロックエラーレート (BLER) の10−4$で、最適反復ベースラインの0.2$から0.5$ dB SNRマージン内で動作する。 弱い干渉 (\text{SIR}{=}10$ dB) と重いスペクトルオーバーラップ (Q{=}12$) では、古典的なグリーディアルゴリズムが誤って有効なデータコンポーネントを減らしてペイロードを破損させるため、NBI-CNetは、信号ピークの混乱を避けて3ドルdBを超えるコーディングゲインを提供する。 最後に、このアーキテクチャは干渉推定誤差によって引き起こされるエラーフロアを回避し、スケール不変設計は、再トレーニングせずに任意のFFTサイズの堅牢な一般化を可能にする。

関連論文リスト

• The Gain-Engineered Transmon [68.89136228609398]
  標準的なトランスモン・リードアウト共振器回路において,ノイズバイアス量子ビットを導入し,実験的に実現する。 本システムは,ハードウェア効率のよい量子エラー検出と修正手法のための単純なビルディングブロックとして利用するための道を開く。
  論文  参考訳（メタデータ） (2026-08-26T17:00:42Z)
• Reducing ANN-SNN Conversion Error via Residual Membrane Potential Alignment [52.910770415431244]
  スパイキングニューラルネットワーク(SNN)は、ニューロモルフィックコンピューティングのコアアーキテクチャとして機能する。 ANN-SNN変換は、低レイテンシでエネルギー効率のよい推論のために、よく訓練されたANN重みを再利用することで問題を回避している。 既存の変換方式は、小さなタイミングで精度の低下、大きな推論遅延、累積量子化誤差に悩まされている。
  論文  参考訳（メタデータ） (2026-08-14T04:46:03Z)
• Federated learning with heavy-tailed gradient noise and communication noise: a variance-reduction based algorithm [7.852384021898989]
  Federated Learning(FL)は、データ分散とプライベートを維持しながら、ローカルデバイスがグローバルモデルを共同でトレーニングすることを可能にする、新興の分散機械学習パラダイムである。 我々は,無線モノのインターネット上での通信ノイズの重畳状況において,FLのための凸尾型ノイズ低減アルゴリズムであるVRA-FedSGDを提案する。 VRA-FedSGDは、重い通信ノイズを抑制するために、運動量削減と還元還元集約機構を利用する。
  論文  参考訳（メタデータ） (2026-06-21T12:18:43Z)
• Closed-Form Spectral Regularization for Multi-Task Model Merging [96.82449201305234]
  モデルマージは、個別に調整された複数の専門家をトレーニングデータなしで単一のマルチタスクモデルに結合する。 State-of-the-art merging method formulate merging as a layer-wise interference problem。 本稿では,逐次降下の勾配-流路に一致するソフト指数フィルタを組み合わせた閉形式手法SWUDIを提案する。
  論文  参考訳（メタデータ） (2026-06-05T14:00:47Z)
• ZID-Net: Zero-Inference Diffusion Prior Decoupling Network for Single Image Dehazing [10.634107398163676]
  単一画像のデハージングは、回復品質と計算効率のトレードオフによって制約されることが多い。 ZID-Netは、フィードフォワード推論から拡散監視を明示的に分離する新しいフレームワークである。 ZID-Netは、合成RESIDEデータセット上で40.75dBのPSNRを達成し、実世界のデータセットで1.13dBのゲインで既存のメソッドを上回ります。
  論文  参考訳（メタデータ） (2026-04-26T13:44:25Z)
• Neuro-Symbolic Financial Reasoning via Deterministic Fact Ledgers and Adversarial Low-Latency Hallucination Detector [2.950245545999729]
  検証可能な数値推論エージェント(VeNRA)について紹介する。 VeNRAは、RAGパラダイムを確率的テキストの検索から厳密な型付きUniversal Fact Ledger (UFL)による決定論的変数の検索へとシフトさせる 著者らは3ビリオンのSLMを訓練し、単一の推論予算を用いて予測候補を法医学的に監査する。
  論文  参考訳（メタデータ） (2026-03-04T22:55:16Z)
• Generalizing GNNs with Tokenized Mixture of Experts [75.8310720413187]
  安定性の向上には,変化に敏感な特徴への依存を低減し,既約最悪の一般化フロアを残す必要があることを示す。 本研究では,STEM-GNNを提案する。STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN。 9つのノード、リンク、グラフのベンチマークで、STEM-GNNはより強力な3方向バランスを実現し、クリアグラフ上での競争力を維持しながら、次数/ホモフィリーシフトや特徴/エッジの破損に対する堅牢性を改善している。
  論文  参考訳（メタデータ） (2026-02-09T22:48:30Z)
• Hierarchical Federated Graph Attention Networks for Scalable and Resilient UAV Collision Avoidance [0.5505634045241287]
  衝突回避を実践するためにバランスをとる必要がある最も重要な指標は、リアルタイムのパフォーマンス、敵のレジリエンス、プライバシー保護である。 我々は適応型微分プライバシー機構を提案し,実時間脅威の評価に基づいて雑音レベル$(in [0.1, 1.0])$を動的に低減する。 このアーキテクチャは500UAVのスケーラブルなシナリオを提供し、衝突速度は2.0%$、ビザンティンの耐障害性は$f n/3$である。
  論文  参考訳（メタデータ） (2025-11-05T12:01:00Z)
• Efficient Large Language Model Inference with Neural Block Linearization [51.619870789584525]
  本稿では,トランスフォーマーモデル推論を高速化する新しいフレームワークであるNeural Block Linearization (NBL)を紹介する。 NBLは、線形最小平均正方形誤差推定器から導かれる線形近似で自己アテンション層を置き換える。 実験では、NBLは競争精度を維持しながら、顕著な計算スピードアップを達成する。
  論文  参考訳（メタデータ） (2025-05-27T12:01:43Z)
• Decentralized Nonconvex Composite Federated Learning with Gradient Tracking and Momentum [78.27945336558987]
  分散サーバ(DFL)はクライアント・クライアント・アーキテクチャへの依存をなくす。 非滑らかな正規化はしばしば機械学習タスクに組み込まれる。 本稿では,これらの問題を解決する新しいDNCFLアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-04-17T08:32:25Z)
• DFedADMM: Dual Constraints Controlled Model Inconsistency for Decentralized Federated Learning [52.83811558753284]
  分散学習(DFL)は、中央サーバーを捨て、分散通信ネットワークを確立する。 既存のDFL手法は依然として、局所的な矛盾と局所的な過度なオーバーフィッティングという2つの大きな課題に悩まされている。
  論文  参考訳（メタデータ） (2023-08-16T11:22:36Z)
• Robustness Certificates for Implicit Neural Networks: A Mixed Monotone Contractive Approach [60.67748036747221]
  暗黙のニューラルネットワークは、競合性能とメモリ消費の削減を提供する。 入力逆流の摂動に関して、それらは不安定なままである。 本稿では,暗黙的ニューラルネットワークのロバスト性検証のための理論的および計算的枠組みを提案する。
  論文  参考訳（メタデータ） (2021-12-10T03:08:55Z)
• Binarized ResNet: Enabling Robust Automatic Modulation Classification at the resource-constrained Edge [9.103162893345939]
  ディープニューラルネットワーク(DNN)は、自動変調分類(AMC)に広く使われている。 DNNはメモリと計算の要求が高く、デバイスがリソースに制約のあるエッジネットワークでは実用的ではない。 本研究は,低メモリと計算量のためにエッジネットワークに展開可能な,AMC用の回転型バイナリ大型ResNet(RBLResNet)を提案する。
  論文  参考訳（メタデータ） (2021-10-27T11:30:23Z)
• IWA: Integrated Gradient based White-box Attacks for Fooling Deep Neural Networks [4.739554342067529]
  Adversarial White-box Adversarial Example Generation Algorithm (IWA): IFPAとIUA。 本稿では,2つの勾配に基づくWhite-box Adversarial Example Generationアルゴリズム(IWA:IFPAとIUA)を提案する。 我々は,提案アルゴリズムの有効性を構造化データセットと非構造化データセットの両方で検証し,それらを5つのベースライン生成アルゴリズムと比較した。
  論文  参考訳（メタデータ） (2021-02-03T16:10:42Z)

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。