Fugu-MT 論文翻訳(概要): CARNet: Channel-Adaptive Receiver Network for Robust NextG Communications

論文の概要: CARNet: Channel-Adaptive Receiver Network for Robust NextG Communications

arxiv url: http://arxiv.org/abs/2608.02172v1
Date: Mon, 03 Aug 2026 12:52:39 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-04 15:07:25.569749
Title: CARNet: Channel-Adaptive Receiver Network for Robust NextG Communications
Title（参考訳）: CARNet:ロバスト次世代G通信のためのチャネル適応受信ネットワーク
Abstract要約: 本稿では,Mixix-of-experts(MoE)フレームワークに基づく,チャネル適応型ニューラルレシーバネットワーク(CARNet)を提案する。提案アーキテクチャでは,複数の専門家ネットワークと効率的なルーティング機構を用いて,様々なシナリオにおける信号検出を実現する。リンクレベルのシミュレーション実験により,提案したCARNetは様々なチャネル条件で優れた性能を発揮することが示された。
参考スコア（独自算出の注目度）: 13.073663496955541
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Neural receivers have been recognized as a promising paradigm for the next-generation (NextG) communications. However, due to the reliance on a static network optimized for specific channel conditions, their generalization capability across diverse scenarios remains a significant challenge. To address this issue, this paper proposes a novel channel-adaptive neural receiver network (CARNet) based on the mixture-of-experts (MoE) framework. The proposed architecture employs multiple expert networks together with an efficient routing mechanism to enable signal detection in various scenarios. The experts are constructed via stacked ResNet blocks and specialize in robust signal detection within specific channel conditions, while the routing mechanism incorporates a lightweight representation learning module, which projects the coarse channel estimate into a low-dimensional latent embedding. The learned embedding characterizes task-relevant channel conditions and provides efficient guidance for accurate expert selection. Link-level simulation experiments demonstrate that the proposed CARNet achieves superior performance across diverse channel conditions.
Abstract（参考訳）: ニューラル受信機は次世代(NextG)通信において有望なパラダイムとして認識されている。しかし、特定のチャネル条件に最適化された静的ネットワークに依存しているため、様々なシナリオにまたがる一般化能力は依然として大きな課題である。そこで本稿では,Mixix-of-experts(MoE)フレームワークに基づく新しいチャネル適応型ニューラルレシーバネットワーク(CARNet)を提案する。提案アーキテクチャでは,複数の専門家ネットワークと効率的なルーティング機構を用いて,様々なシナリオにおける信号検出を実現する。専門家は、積み重ねられたResNetブロックを使用して構築され、特定のチャネル条件内で堅牢な信号検出を専門とする一方、ルーティング機構には、粗いチャネル推定を低次元の潜伏埋め込みに投影する軽量な表現学習モジュールが組み込まれている。学習した埋め込みは、タスク関連チャネル条件を特徴付け、正確な専門家選択のための効率的なガイダンスを提供する。リンクレベルのシミュレーション実験により,提案したCARNetは様々なチャネル条件で優れた性能を発揮することが示された。

関連論文リスト

ReQuestNet: A Foundational Learning model for Channel Estimation [10.657960540744286]
本稿では,5G以降におけるチャネル推定(CE)のための新しいニューラルネットワーク,Recurrent Equivariant UERS Estimation Network(ReQuestNet)を提案する。無線通信システムにおいて、リソースブロックの可変数(RB)、送信層の動的数、物理的リソースブロックグループ(PRG)バンドルサイズ(BS)、復調参照信号(DMRS)パターンを単一統一モデルで処理し、CEパイプラインを劇的に単純化するなど、いくつかの実践的な考察を取り入れている。
論文参考訳（メタデータ） (2025-08-12T09:44:47Z)
Take What You Need: Flexible Multi-Task Semantic Communications with Channel Adaptation [51.53221300103261]
本稿では,マスク付きオートエンコーダアーキテクチャに基づく,チャネル適応型・マルチタスク対応のセマンティックコミュニケーションフレームワークについて紹介する。チャネル認識抽出器を用いて、リアルタイムのチャネル条件に応じて、関連情報を動的に選択する。画像再構成や物体検出などのタスクにおける従来の手法と比較して,本手法の優れた性能を示す実験結果が得られた。
論文参考訳（メタデータ） (2025-02-12T09:01:25Z)
An I2I Inpainting Approach for Efficient Channel Knowledge Map Construction [33.648491554358]
本研究では,ラプラシアンピラミッド (LP) を用いたCKM構築手法を提案する。提案手法は高い一般化能力を有し,異なる無線通信シナリオで実装可能である。
論文参考訳（メタデータ） (2024-06-14T08:24:52Z)
Joint Channel Estimation and Feedback with Masked Token Transformers in Massive MIMO Systems [74.52117784544758]
本稿では,CSI行列内の固有周波数領域相関を明らかにするエンコーダデコーダに基づくネットワークを提案する。エンコーダ・デコーダネットワーク全体がチャネル圧縮に使用される。提案手法は,共同作業における現状のチャネル推定およびフィードバック技術より優れる。
論文参考訳（メタデータ） (2023-06-08T06:15:17Z)
One-to-Many Semantic Communication Systems: Design, Implementation, Performance Evaluation [35.21413988605204]
MR_DeepSCと呼ばれる一対一のセマンティック通信システムを提案する。異なるユーザに対するセマンティック機能を活用することで、異なるユーザを区別するためにセマンティック認識が構築される。提案したMR_DeepSCはBLEUスコアで最高の性能が得られる。
論文参考訳（メタデータ） (2022-09-20T02:48:34Z)
Interference Cancellation GAN Framework for Dynamic Channels [74.22393885274728]
チャネルのあらゆる変更に適応できるオンライントレーニングフレームワークを導入します。我々のフレームワークは、非常にダイナミックなチャネル上での最近のニューラルネットワークモデルよりも大幅に優れています。
論文参考訳（メタデータ） (2022-08-17T02:01:18Z)
Learning to Estimate RIS-Aided mmWave Channels [50.15279409856091]
そこでは,観測観測のために,既知の基地局とRIS位相制御行列を併用したアップリンクチャネル推定手法を提案する。推定性能を向上し, トレーニングオーバーヘッドを低減するため, 深部展開法において, mmWaveチャネルの固有チャネル幅を生かした。提案したディープ・アンフォールディング・ネットワーク・アーキテクチャは,トレーニングオーバーヘッドが比較的小さく,オンライン計算の複雑さも比較的小さく,最小二乗法(LS)法より優れていることが確認された。
論文参考訳（メタデータ） (2021-07-27T06:57:56Z)
Optimal Power Allocation for Rate Splitting Communications with Deep Reinforcement Learning [61.91604046990993]
このレターでは、レート分割多重アクセスネットワークにおいて、ユーザの電力割り当てを最適化するための新しいフレームワークを紹介します。ネットワークでは、ユーザのために意図されたメッセージは、単一の共通部分と個々のプライベート部分に分割される。
論文参考訳（メタデータ） (2021-07-01T06:32:49Z)
Deep Joint Transmission-Recognition for Multi-View Cameras [1.6244541005112747]
無線エッジにおける効率的な推論のための共同送信認識方式を提案する。無線カメラを用いた監視アプリケーションにより、マルチビューカメラによって行われる無線チャンネル上の人物分類タスクについて検討する。
論文参考訳（メタデータ） (2020-11-03T18:27:49Z)
Deep Receiver Design for Multi-carrier Waveforms Using CNNs [8.9379057739817]
本稿では,無線環境下で受信した受信信号を共同で検出・復調するために,畳み込みニューラルネットワーク(CNN)を提案する。提案したアーキテクチャと古典的手法を比較し,提案したCNNベースのアーキテクチャが,異なるマルチキャリア形式でより優れた性能を発揮することを示す。
論文参考訳（メタデータ） (2020-06-02T10:29:05Z)
Decentralized Learning for Channel Allocation in IoT Networks over Unlicensed Bandwidth as a Contextual Multi-player Multi-armed Bandit Game [134.88020946767404]
本稿では,プライマリセルネットワークにライセンスされたスペクトルに基づいて,アドホックなモノのインターネットネットワークにおける分散チャネル割り当て問題について検討する。本研究では,この問題をコンテキスト型マルチプレイヤー・マルチアームバンディットゲームにマッピングし,試行錯誤による純粋に分散化された3段階ポリシー学習アルゴリズムを提案する。
論文参考訳（メタデータ） (2020-03-30T10:05:35Z)

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。