論文の概要: CFM-Bench: A Unified Multi-Domain, Multi-Task Benchmark for Channel Foundation Models

• arxiv url: http://arxiv.org/abs/2607.14975v1
• Date: Thu, 16 Jul 2026 13:29:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-17 17:01:33.122
• Title: CFM-Bench: A Unified Multi-Domain, Multi-Task Benchmark for Channel Foundation Models
• Title（参考訳）: CFM-Bench:チャンネルファンデーションモデルのための統一されたマルチドメインマルチタスクベンチマーク
• Abstract要約: 報告された比較では、プレトレーニングは1つのパイプライン内のスクラッチから教師付きトレーニングよりも改善する傾向にある。 CFM-Benchは、このギャップに対処するために設計されたマルチドメイン、マルチタスクのベンチマークである。
• 参考スコア（独自算出の注目度）: 24.36263484463555
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Channel foundation models (CFMs) are developing rapidly, with recent studies reporting benefits from pretraining across downstream wireless tasks. Yet CFMs are commonly evaluated in model-specific pipelines with different data, radio configurations, partitions, adaptation procedures, task definitions, and metrics. Reported comparisons therefore tend to show that pretraining improves over supervised training from scratch within one pipeline, but neither rank CFMs nor compare them fairly with task-specific models. We release CFM-Bench, a unified multi-domain, multi-task benchmark designed to address this gap. It curates six channel configurations spanning 3GPP statistical simulation, two independent ray-tracing pipelines, industrial and aerial measurements, and synchronized vehicular multimodal simulation. Official partitions isolate complete trajectories, measurement sessions, vehicle links, simulation realizations, or buffered spatial regions. CFM-Bench does not prescribe an external pretraining corpus or strategy; no benchmark split may be used for foundation-model pretraining, and the official training split is reserved exclusively for downstream fine-tuning. The benchmark additionally requires disclosure of all data used during model development and prohibits training-stage use of official test units. Six task groups are organized along three CFM application dimensions: physical-layer (PHY) channel intelligence, radio-access-network (RAN) decision intelligence, and integrated sensing and communication (ISAC). They cover CSI feedback, frequency and temporal channel extrapolation, propagation-state classification, current- and future-beam prediction, and single-frame and temporal localization. CFM-Bench provides a common substrate for comparing the transferability of channel representations across models, domains, and tasks.
• Abstract（参考訳）: チャネルファウンデーションモデル(CFM)は急速に発展しており、近年では下流無線タスクの事前訓練によるメリットが報告されている。 しかし、CFMは異なるデータ、無線構成、パーティション、適応手順、タスク定義、メトリクスを持つモデル固有のパイプラインで一般的に評価される。 したがって、報告された比較では、プレトレーニングは1つのパイプライン内のスクラッチから教師付きトレーニングよりも改善する傾向にあるが、CFMのランク付けやタスク固有のモデルとの比較は行わない。 CFM-Benchは、このギャップに対処するために設計されたマルチドメイン、マルチタスクのベンチマークである。 3GPP統計シミュレーション、3GPP統計シミュレーション、2つの独立したレイトレーシングパイプライン、産業用および航空用計測、および同期車載マルチモーダルシミュレーションの6つのチャネル構成をキュレートする。 公式パーティションは完全な軌道、測定セッション、車両リンク、シミュレーションの実現、またはバッファされた空間領域を分離する。 CFM-Benchは、外部の事前訓練コーパスや戦略を規定していない。 さらに、このベンチマークでは、モデル開発で使用されるすべてのデータの開示が必要であり、公式のテストユニットのトレーニング段階の使用を禁止している。 6つのタスクグループは、物理層(PHY)チャネルインテリジェンス、RAN(Radio- Access-network)決定インテリジェンス、ISAC(Integration and Communication)の3つのCFMアプリケーションディメンテーションに沿って編成される。 それらは、CSIフィードバック、周波数と時間チャネルの外挿、伝播状態の分類、現在と将来の予測、単一フレームと時間的ローカライゼーションをカバーしている。 CFM-Benchは、モデル、ドメイン、タスク間のチャネル表現の転送可能性を比較するための共通の基盤を提供する。

関連論文リスト

• ChorusTIC: Training-Free Multivariate Time Series Classification via Chorus In-Context Learning [52.72143039958434]
  異種チャネル構成にまたがるコンテキスト内分類のための分類ネイティブ基盤モデルであるChorusticを導入する。 Chorusticは、可変チャネル構成を元のチャネルカウントとは無関係に固定幅の表現にマッピングする。 コンテキスト由来の分布を使って機能軸を校正し、リーク保護されたコンテキスト内学習を通じてクエリラベルを予測する。
  論文  参考訳（メタデータ） (2026-08-25T03:45:24Z)
• Post-Training in Time Series Foundation Models: A Unifying Framework [42.66753732684461]
  時系列解析のための汎用モデルとして,時系列基礎モデル (TSFM) が登場している。 単独でのトレーニングは、信頼性の高い下流デプロイメントには不十分であることが多い。 ポストトレーニングは、ダウンストリームタスクのために訓練済みのTSFMを適応、強化、構成、校正、あるいは特殊化するための幅広い方法である。
  論文  参考訳（メタデータ） (2026-07-22T10:37:10Z)
• ChannelKAN: Multi-Scale Dual-Domain Channel Prediction via Hybrid CNN-KAN Architecture [16.236145234205036]
  既存のディープラーニング手法は、短期的な局所的変動と長距離の非線形依存を共同で捉えるのに苦労している。 マルチスケール周波数領域情報拡張を用いたハイブリッドCNN-KANチャネル予測モデルであるChannelKANを提案する。 実験により、ChannelKANは、正規化平均二乗誤差(NMSE)、スペクトル効率(SE)、ビット誤り率(BER)において、RNN LSTM、GRU、CNN、Transformerのベースラインを上回っていることが示された。
  論文  参考訳（メタデータ） (2026-05-11T07:58:51Z)
• Flow Matching for Count Data [5.156484100374059]
  本研究では,局所的な単位ジャンプを伴う連続的生死過程に基づくデータカウントのためのフローマッチングフレームワークであるcount-FMを提案する。 シミュレーションにおいて、カウントFMは、かなり少ないパラメータを使用しながら、代表ベースラインよりも優れたサンプル品質を達成する。 さらに、無条件生成、輸送、条件生成のためのscRNA-seqおよびニューラルスパイクトレインデータにカウントFMを適用した。
  論文  参考訳（メタデータ） (2026-05-08T13:53:37Z)
• Posterior Augmented Flow Matching [64.1559809786948]
  後拡張フローマッチング(PAFM)はフローマッチング(FM)の一般化である PAFMは、異なるモデルスケールで最大3.4FID50KでFMよりも改善されていることを示す。
  論文  参考訳（メタデータ） (2026-05-01T17:59:59Z)
• Earth System Foundation Model (ESFM): A unified framework for heterogeneous data integration and forecasting [52.53742727060265]
  地球系の基礎モデル(FM)は、大量のデータセットにわたる物理変数間の統計的関係を学習する。 本稿では,アース・システム・ファンデーション・モデル(ESFM)について紹介する。 本研究では,高密度グリッドデータ (ERA5, CMIP6) , 地域密集データ, 疎グリッドMODIS衛星データ, 局データを用いた。 結果は、最先端のベンチマークと比較して、競争力や優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2026-04-20T11:40:39Z)
• PathFinder: Advancing Path Loss Prediction for Single-to-Multi-Transmitter Scenario [60.906711761476735]
  PathFinderは、アンタングル化された特徴符号化を通じて建物や送信機を積極的にモデル化する新しいアーキテクチャである。 テストでは、PathFinderは最先端のメソッド、特に挑戦的なマルチトランスミッタシナリオにおいて、大幅にパフォーマンスが向上している。
  論文  参考訳（メタデータ） (2025-12-16T07:15:15Z)
• Environment-Aware Channel Inference via Cross-Modal Flow: From Multimodal Sensing to Wireless Channels [45.969793510760645]
  この論文では、マルチモーダル観測から直接完全なCSIを推定するパイロットフリーチャネル推定について検討する。 本研究では,センサ・チャネル間マッピングをモーダル間フローマッチング問題として定式化するデータ駆動型フレームワークを開発した。 実験では,シオンナとブレンダーをベースとした手続き型データ生成装置を構築し,センシングシーンのリアルなモデリングと無線伝搬を支援する。
  論文  参考訳（メタデータ） (2025-12-04T16:35:09Z)
• 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)
• FlowTS: Time Series Generation via Rectified Flow [67.41208519939626]
  FlowTSは、確率空間における直線輸送を伴う整流フローを利用するODEベースのモデルである。 非条件設定では、FlowTSは最先端のパフォーマンスを達成し、コンテキストFIDスコアはStockとETThデータセットで0.019と0.011である。 条件設定では、太陽予測において優れた性能を達成している。
  論文  参考訳（メタデータ） (2024-11-12T03:03:23Z)
• Improving and generalizing flow-based generative models with minibatch optimal transport [90.01613198337833]
  連続正規化フロー(CNF)のための一般条件流整合(CFM)技術を導入する。 CFMは、拡散モデルのフローをトレーニングするために使用されるような安定した回帰目標を特徴としているが、決定論的フローモデルの効率的な推論を好んでいる。 我々の目的の変種は最適輸送CFM (OT-CFM) であり、訓練がより安定し、より高速な推論をもたらすより単純なフローを生成する。
  論文  参考訳（メタデータ） (2023-02-01T14:47:17Z)
• Over-the-Air Federated Learning from Heterogeneous Data [107.05618009955094]
  フェデレートラーニング(Federated Learning、FL)は、集中型モデルの分散ラーニングのためのフレームワークである。 我々は,共通局所勾配勾配勾配(SGD)FLアルゴリズムを強化するコンバージェント OTA FL (COTAF) アルゴリズムを開発した。 我々は,COTAFにより誘導されるプリコーディングが,OTA FLを用いて訓練されたモデルの収束率と精度を顕著に向上させることを示す。
  論文  参考訳（メタデータ） (2020-09-27T08:28:25Z)
• Convergence of Update Aware Device Scheduling for Federated Learning at the Wireless Edge [84.55126371346452]
  遠隔パラメータサーバ(PS)の助けを借りて、ローカルデータセットを持つパワー制限デバイスが共同でジョイントモデルを訓練する無線エッジにおけるフェデレーション学習について研究する。 各ラウンドで送信するデバイスのサブセットを決定する新しいスケジューリングとリソース割り当てポリシーを設計する。 数値実験の結果,提案したスケジューリングポリシーは,チャネル条件と局所モデル更新の重要性の両方に基づいており,両者の指標のみに基づくスケジューリングポリシーよりも長期的性能がよいことがわかった。
  論文  参考訳（メタデータ） (2020-01-28T15:15:22Z)

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。