論文の概要: Fast Cross-Scenario Adaptation of CSI Models via Channel Conditional Parameter Generation

• arxiv url: http://arxiv.org/abs/2607.22637v1
• Date: Mon, 22 Jun 2026 13:20:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-02 22:55:38.998935
• Title: Fast Cross-Scenario Adaptation of CSI Models via Channel Conditional Parameter Generation
• Title（参考訳）: チャネル条件パラメータ生成によるCSIモデルの高速化
• Abstract要約: Conditional Channel Generation (CCPG) は、動的無線環境におけるCSIモデルの迅速な展開のためのエンドツーエンドパイプラインである。 CCPGは、コンポーネント凍結実験を通じてシーンに敏感な適応ボトルネックを特定し、軽量なLoRA重みのみを生成する。 CSIフィードバックとチャネル推定のためのDeepMIMOとWAIR-Dの実験は、CCPGが1回の前進パスで約3秒で新しいシナリオに適応することを示している。
• 参考スコア（独自算出の注目度）: 71.49439535846827
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning has shown strong potential for massive multiple-input multiple-output (Massive MIMO) physical-layer tasks, including channel state information (CSI) feedback and channel estimation. However, environmental heterogeneity can severely degrade CSI models in unseen scenarios, while conventional adaptation requires target-domain data and substantial computation. This paper proposes Channel Conditional Parameter Generation (CCPG), an end-to-end pipeline for rapid deployment of CSI models in dynamic wireless environments. CCPG identifies scene-sensitive adaptation bottlenecks through component-freezing experiments and generates only lightweight LoRA weights instead of full model parameters. It compresses high-dimensional channel features into compact latent conditions using cascaded SVD and a Perceiver Resampler. An energy-based canonicalization mechanism mitigates permutation and sign ambiguities in LoRA weights, while a diffusion-based generator incorporates structural information and an asymmetric size-aware loss for topology-aware parameter generation. Experiments on DeepMIMO and WAIR-D for CSI feedback and channel estimation show that CCPG adapts to new scenarios in about 3 seconds with a single forward pass, without target-scenario training or fine-tuning, and achieves cross-domain recovery performance comparable to costly online adaptation. These results demonstrate that CCPG enables efficient deployment of CSI models in large-scale dynamic wireless scenarios for intelligent 6G communications.
• Abstract（参考訳）: 深層学習は、チャネル状態情報(CSI)フィードバックやチャネル推定を含む、大規模なマルチインプットマルチアウトプット(Massive MIMO)物理層タスクの強い可能性を示している。 しかし、環境の不均一性はCSIモデルを目に見えないシナリオで著しく劣化させるが、従来の適応にはターゲットドメインのデータと実質的な計算が必要である。 本稿では,動的無線環境におけるCSIモデルの迅速な展開のためのエンドツーエンドパイプラインであるChannel Conditional Parameter Generation (CCPG)を提案する。 CCPGは、コンポーネント凍結実験を通じてシーンに敏感な適応ボトルネックを特定し、完全なモデルパラメータの代わりに軽量なLoRA重みだけを生成する。 SVDとPerceiver Resamplerを使って、高次元チャネル特徴をコンパクトな潜伏条件に圧縮する。 エネルギーベースの正準化機構は、LoRA重みの置換と符号のあいまいさを軽減し、拡散ベースのジェネレータは、トポロジ対応パラメータ生成のための構造情報と非対称サイズ認識損失を組み込む。 CSIフィードバックとチャネル推定のためのDeepMIMOとWAIR-Dの実験は、CCPGが1回のフォワードパスで約3秒で新しいシナリオに適応し、ターゲットシナリオのトレーニングや微調整を行わず、高価なオンライン適応に匹敵するクロスドメインリカバリ性能を達成することを示している。 これらの結果から,CCPGは知的6G通信のための大規模動的無線シナリオにおいて,CSIモデルの効率的な展開を可能にすることが示された。

関連論文リスト

• GO-GenZip: Goal-Oriented Generative Sampling and Hybrid Compression [50.76941829813458]
  現在のネットワークデータテレメトリパイプラインは、複数の分散ソースから中央アグリゲータへの、きめ細かいキーパフォーマンス指標(KPI)の巨大なストリームで構成されている。 本研究は、目標指向の観点からネットワークテレメトリを再設計する、ジェネレーティブAI(GenAI)駆動サンプリングとハイブリッド圧縮フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-20T16:33:15Z)
• Generative MIMO Beam Map Construction for Location Recovery and Beam Tracking [67.65578956523403]
  本稿では,スパースチャネル状態情報(CSI)から位置ラベルを直接復元する生成フレームワークを提案する。 生のCSIを直接格納する代わりに、小型の低次元無線地図の埋め込みを学び、生成モデルを利用して高次元CSIを再構築する。 数値実験により,NLOSシナリオにおける局所化精度が30%以上向上し,20%のキャパシティゲインが得られることが示された。
  論文  参考訳（メタデータ） (2025-11-21T07:25:49Z)
• Green Learning for STAR-RIS mmWave Systems with Implicit CSI [53.03358325565645]
  再構成可能なインテリジェントサーフェス (STAR-RIS) 支援ミリ波放送システム (mmWave) を同時に送信し, 反射するグリーンラーニング (GL) ベースのプリコーディングフレームワークを提案する。 本研究は,将来の6Gネットワークにおける環境持続可能性を重視し,複数のユーザが同一情報を共有し,スペクトル効率を向上し,冗長伝送と電力消費を低減させるシナリオに,トランスミッションフレームワークを採用する。
  論文  参考訳（メタデータ） (2025-09-08T15:56:06Z)
• Multi-View Wireless Sensing via Conditional Generative Learning: Framework and Model Design [16.839582722091635]
  複数基地局(BS)とユーザ機器(UE)間の多視点チャネル状態情報(CSI)を用いた学習に基づく高精度ターゲットセンシングに物理知識を取り入れた。 我々は、二部構成のニューラルネットワークアーキテクチャを設計し、その最初の部分は、精巧に設計されたエンコーダを使用して、マルチビューCSIに埋め込まれた潜在ターゲット機能を融合する。 第2部では、これらを強力な生成モデルの条件付け入力として使用して、ターゲットの再構築を誘導する。
  論文  参考訳（メタデータ） (2025-05-19T03:27:24Z)
• MambaJSCC: Adaptive Deep Joint Source-Channel Coding with Generalized State Space Model [44.01221953073462]
  MambaJSCCは、計算とパラメータのオーバーヘッドを低くして最先端のパフォーマンスを達成する。 我々は,チャネル状態情報(CSI)をGSSMの初期状態に注入し,そのネイティブ応答を利用するCSI-ReST法を設計する。 実験の結果,MambaJSCCは既存のJ SCC法より優れるだけでなく,パラメータサイズ,計算オーバーヘッド,推論遅延を大幅に低減することがわかった。
  論文  参考訳（メタデータ） (2024-09-25T03:37:51Z)
• Non-Coherent Over-the-Air Decentralized Gradient Descent [0.0]
  無線システムにおける分散グラディエントDescentの実装は、ノイズ、フェーディング、帯域幅の制限により困難である。 本稿では,スケジューリング,トポロジ情報,CSIの必要性を解消するスケーラブルなDGDアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-11-19T19:15:34Z)
• Deep Learning-Based Rate-Splitting Multiple Access for Reconfigurable Intelligent Surface-Aided Tera-Hertz Massive MIMO [56.022764337221325]
  再構成可能なインテリジェントサーフェス(RIS)は,Tera-Hertz大規模マルチインプットマルチアウトプット(MIMO)通信システムのサービスカバレッジを大幅に向上させることができる。 しかし、パイロットとフィードバック信号のオーバーヘッドが限定された正確な高次元チャネル状態情報(CSI)を得ることは困難である。 本稿では、RIS支援Tera-Hertzマルチユーザアクセスシステムのための、ディープラーニング(DL)に基づくレート分割多重アクセス方式を提案する。
  論文  参考訳（メタデータ） (2022-09-18T03:07:37Z)
• Energy-Efficient Model Compression and Splitting for Collaborative Inference Over Time-Varying Channels [52.60092598312894]
  本稿では,エッジノードとリモートノード間のモデル圧縮と時間変化モデル分割を利用して,エッジデバイスにおける総エネルギーコストを削減する手法を提案する。 提案手法は, 検討されたベースラインと比較して, エネルギー消費が最小限であり, 排出コストが$CO$となる。
  論文  参考訳（メタデータ） (2021-06-02T07:36:27Z)
• PRVNet: A Novel Partially-Regularized Variational Autoencoders for Massive MIMO CSI Feedback [15.972209500908642]
  ユーザ装置(UE)は、多重出力多重出力周波数分割二重化(MIMO-FDD)システムにおいて、ダウンリンクチャネル状態情報(CSI)を基地局に送信し、リンク状況を報告する。 本稿では,変分オートエンコーダ(VAE)にインスパイアされたニューラルネットワークアーキテクチャであるPRVNetを紹介し,基地局に送信する前にCSI行列を圧縮する。
  論文  参考訳（メタデータ） (2020-11-09T04:07:45Z)

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。