論文の概要: Self-Evolving In-Context Learning for Direct Pilot-to-Beamformer Design in MU-MISO Systems

• arxiv url: http://arxiv.org/abs/2607.11970v1
• Date: Mon, 13 Jul 2026 01:14:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-15 17:08:29.900416
• Title: Self-Evolving In-Context Learning for Direct Pilot-to-Beamformer Design in MU-MISO Systems
• Title（参考訳）: MU-MISOシステムにおける直接パイロット・ツー・ビームフォーマ設計のための自己進化型インテクスト学習
• Abstract要約: 我々は、パイロットベースのビームフォーミングシステムの性能を向上させるために、拡張されたインコンテキスト学習(ICL)フレームワークを開発した。 提案方式は、ICL-Transformerのバックボーンとパイロットデコーダネットワーク(EDN)とビームフォーマEDNを統合する。
• 参考スコア（独自算出の注目度）: 8.024620932612606
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We develop an enhanced in-context learning (ICL) framework to improve the performance of pilot-based beamforming in multi-user multiple-input single-output (MU-MISO) systems. The proposed scheme integrates the ICL-Transformer backbone with the pilot encoder-decoder network (EDN) and the beamformer EDN. A crucial feature of our ICL network is that it can handle multiple channel models without retraining, enabled by the construction of model-specific context datasets. To improve convergence and robustness, we introduce three key innovations: (a) a curriculum learning (CL) strategy that smoothly transitions from supervised LMMSE-labeled imitation to unsupervised sum-rate maximization, (b) a self-evolving mechanism that dynamically expands and refines the context datasets for all channel models during CL-based training, and (c) a mismatch-aware extension that incorporates several mismatches into the general ICL framework and bypasses explicit channel calibrations. Ablation studies validate the effectiveness of the in-context architecture and enhanced training strategies. Simulation results over diverse communication environments show that the proposed scheme is able to rapidly adapt to both seen and unseen channel models without gradient-based parameter updates, and can mitigate the mismatch issues via intelligent context constructions. Furthermore, our scheme consistently outperforms the existing beamforming schemes under pilot-based settings, including the WMMSE benchmark and the recent Transformer-based methods.
• Abstract（参考訳）: マルチユーザ・マルチインプット・シングル・アウトプット(MU-MISO)システムにおいて,パイロットベースのビームフォーミング性能を向上させるための拡張型インコンテキスト・ラーニング(ICL)フレームワークを開発した。 提案方式は、ICL-Transformerのバックボーンとパイロットエンコーダデコーダネットワーク(EDN)とビームフォーマEDNを統合する。 ICLネットワークの重要な特徴は、モデル固有のコンテキストデータセットの構築によって、再トレーニングなしに複数のチャネルモデルを処理できることです。 収束性と堅牢性を改善するために、私たちは3つの重要なイノベーションを紹介します。 (a)LMMSEラベル付き模倣から教師なし総和率最大化へ円滑に移行するカリキュラム学習(CL)戦略 (b)CLベーストレーニング中の全てのチャネルモデルのコンテキストデータセットを動的に拡張・洗練する自己進化機構、及び (c) 一般的なICLフレームワークにいくつかのミスマッチを組み込んだミスマッチ対応拡張で、明示的なチャネルキャリブレーションをバイパスする。 アブレーション研究は、コンテキスト内アーキテクチャの有効性と強化されたトレーニング戦略の有効性を検証する。 多様な通信環境上でのシミュレーション結果から,提案手法は勾配に基づくパラメータ更新を伴わずに,目に見えるチャネルモデルと目に見えないチャネルモデルの両方に迅速に適応でき,知的コンテキスト構築によるミスマッチ問題を緩和できることが示された。 さらに,本手法は,WMMSEベンチマークや最近のTransformerベースの手法など,パイロットベースの環境下での既存のビームフォーミング方式よりも一貫して優れている。

関連論文リスト

• Transformers Provably Implement In-Context Reinforcement Learning with Policy Improvement [23.24714915251971]
  コンテクスト内強化学習を行う変換器の能力について検討する。 線形自己注意変換器ブロックは、ポリシー改善手法を確実に実装できることを示す。 ICRL文献における最初の収束保証を確立する。
  論文  参考訳（メタデータ） (2026-05-07T06:50:49Z)
• In-Context Learning for Gradient-Free Receiver Adaptation: Principles, Applications, and Theory [54.92893355284945]
  ディープラーニングベースの無線受信機は、様々なチャネル環境に動的に適応する能力を提供する。 ジョイントトレーニング、ハイパーネットワークベースの手法、メタラーニングを含む現在の適応戦略は、限られた柔軟性を示すか、勾配降下による明示的な最適化を必要とする。 本稿では、インコンテキスト学習(ICL)の新たなパラダイムに根ざした勾配なし適応手法を提案する。
  論文  参考訳（メタデータ） (2025-06-18T06:43:55Z)
• A Unified Gradient-based Framework for Task-agnostic Continual Learning-Unlearning [30.2773429357068]
  近年の深層モデルの進歩は、知識獲得のための連続学習(CL)とデータ除去のための機械アンラーニング(MU)を組み合わせたインテリジェントシステムの必要性を強調している。 Kullback-Leibler の発散最小化に基づく統一最適化フレームワークにより,本質的な接続を明らかにする。 実験により、提案したUG-CLUフレームワークは、複数のデータセットやモデルアーキテクチャにわたるインクリメンタルラーニング、正確なアンラーニング、知識安定性を効果的に調整することを示した。
  論文  参考訳（メタデータ） (2025-05-21T06:49:05Z)
• Multi-Task Semantic Communications via Large Models [42.42961176008125]
  適応型モデル圧縮戦略とフェデレートされた分割微調整アプローチを含む,LAMベースのマルチタスクSemComアーキテクチャを提案する。 近年のローカルおよびグローバルな知識ベースを合成するために,検索拡張生成方式が実装されている。
  論文  参考訳（メタデータ） (2025-03-28T00:57:34Z)
• Boosting Continual Learning of Vision-Language Models via Mixture-of-Experts Adapters [65.15700861265432]
  本稿では,視覚言語モデルを用いた漸進的学習における長期的忘れを緩和するパラメータ効率の連続学習フレームワークを提案する。 提案手法では,Mixture-of-Experts (MoE)アダプタの統合により,事前学習したCLIPモデルの動的拡張を行う。 視覚言語モデルのゼロショット認識能力を維持するために,分布判別オートセレクタを提案する。
  論文  参考訳（メタデータ） (2024-03-18T08:00:23Z)
• Unleashing Network Potentials for Semantic Scene Completion [50.95486458217653]
  本稿では,新しいSSCフレームワーク - Adrial Modality Modulation Network (AMMNet)を提案する。 AMMNetは、モダリティ間の勾配流の相互依存性を可能にするクロスモーダル変調と、動的勾配競争を利用するカスタマイズされた逆トレーニングスキームの2つのコアモジュールを導入している。 AMMNetは最先端のSSC法よりも大きなマージンで優れていた。
  論文  参考訳（メタデータ） (2024-03-12T11:48:49Z)
• Reconfigurable Intelligent Surface Assisted Mobile Edge Computing with Heterogeneous Learning Tasks [53.1636151439562]
  モバイルエッジコンピューティング(MEC)は、AIアプリケーションに自然なプラットフォームを提供します。 再構成可能なインテリジェントサーフェス(RIS)の助けを借りて、MECで機械学習タスクを実行するインフラストラクチャを提示します。 具体的には,モバイルユーザの送信パワー,基地局のビームフォーミングベクトル,risの位相シフト行列を共同で最適化することにより,参加ユーザの学習誤差を最小化する。
  論文  参考訳（メタデータ） (2020-12-25T07:08:50Z)
• Edge-assisted Democratized Learning Towards Federated Analytics [67.44078999945722]
  本稿では,エッジ支援型民主化学習機構であるEdge-DemLearnの階層的学習構造を示す。 また、Edge-DemLearnを柔軟なモデルトレーニングメカニズムとして検証し、リージョンに分散制御と集約の方法論を構築する。
  論文  参考訳（メタデータ） (2020-12-01T11:46:03Z)
• Deep Multi-Task Learning for Cooperative NOMA: System Design and Principles [52.79089414630366]
  我々は,近年のディープラーニング(DL)の進歩を反映した,新しいディープ・コラボレーティブなNOMAスキームを開発する。 我々は,システム全体を包括的に最適化できるように,新しいハイブリッドカスケードディープニューラルネットワーク(DNN)アーキテクチャを開発した。
  論文  参考訳（メタデータ） (2020-07-27T12:38:37Z)

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。