論文の概要: MultiPathFormer: Towards a Foundation Model for Multipath Wireless Propagation
- arxiv url: http://arxiv.org/abs/2608.05076v1
- Date: Wed, 05 Aug 2026 17:20:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-06 14:48:44.042667
- Title: MultiPathFormer: Towards a Foundation Model for Multipath Wireless Propagation
- Title（参考訳）: MultiPathFormer:マルチパス無線伝搬の基礎モデルを目指して
- Authors: Blessed Guda, Kayley Sze, Carlee Joe-Wong,
- Abstract要約: 経路トークンの順序列として各送信者/受信者リンクを表す自動回帰基盤モデルであるMultiPathFormerを提案する。
平均局所化誤差5.57m,トップ3ビーム精度0.914,視線分類精度0.994,NMSE0.561。
- 参考スコア（独自算出の注目度）: 16.207756414532735
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recent advances in machine learning have enabled training of wireless foundation models, which aim to support tasks such as channel estimation, beam prediction, and localization based on wireless signals. Existing wireless foundation models typically pretrain on channel tensors using masked reconstruction over subcarriers, antennas, or time but ignore the physical characteristics of wireless propagation. In this work, we propose to instead use multipath propagation as the fundamental pretraining object. We present MultiPathFormer, an autoregressive foundation model that represents each transmitter-receiver link as an ordered sequence of continuous-valued path tokens and pretrains with next-path prediction. We introduce an Environmental RAG (retrieval-augmented generation) mechanism and a first-path codebook on top of the transformer backbone, leveraging environment knowledge to improve path statistics estimation like delay and power by up to 59%. MultiPathFormer pretrained on 27 environments transfers to unseen users and, after scenario-specific fine-tuning, outperforms training the corresponding models from scratch in new environments. Across downstream tasks, it outperforms SOTA channel-based foundation models, achieving 5.57 m mean localization error, 0.914 top-3 beam accuracy, 0.994 line-of-sight classification accuracy, and 0.561 channel estimation NMSE. These results show that path-level pretraining can learn reusable representations of wireless propagation.
- Abstract（参考訳）: 近年の機械学習の進歩により、無線信号に基づくチャネル推定、ビーム予測、ローカライゼーションといったタスクを支援する無線基盤モデルのトレーニングが可能になった。
既存の無線基礎モデルは、通常、サブキャリア、アンテナ、時間よりもマスクされた再構成を用いてチャネルテンソルを事前訓練するが、無線伝搬の物理的特性は無視する。
本研究では,基本事前学習対象としてマルチパス伝搬を用いることを提案する。
提案するMultiPathFormerは,送信側/受信側リンクを連続値パストークンの順序列として表現し,次パス予測による事前学習を行う。
本稿では, 環境知識を活用し, 遅延や電力等の経路統計を最大59%向上させる環境RAG(Retrieval-augmented generation)機構と第1パスコードブックを導入する。
MultiPathFormerは27の環境上で事前トレーニングされ、見知らぬユーザに転送され、シナリオ固有の微調整を経て、新しい環境で対応するモデルをスクラッチからトレーニングする上でパフォーマンスが向上する。
下流タスク全体では、SOTAチャネルベースの基礎モデルよりも優れており、平均ローカライゼーション誤差5.57m、トップ3ビーム精度0.914、ラインオブサイト分類精度0.994、および0.561チャネル推定NMSEを達成している。
これらの結果は,経路レベルの事前学習が無線伝搬の再利用可能な表現を学習できることを示唆している。
関連論文リスト
- LatentWave: JEPA Pretraining for Wireless Foundation Models [7.728643029778198]
我々は,JEPA(Joint-Embedding Predictive Architecture)を用いた無線基礎モデルであるLatentWaveを提案する。
LatentWaveは、さまざまな下流タスクにまたがって、最初から転送可能な表現を学習する。
マスキングはタスク依存の帰納バイアスを導入し,領域マスキングは信号分類における識別性を向上することを示した。
論文 参考訳（メタデータ） (2026-06-04T16:39:39Z) - 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) - EAGLE: Edge-Aware Graph Learning for Proactive Delivery Delay Prediction in Smart Logistics Networks [0.5653106385738822]
本稿では,プロアクティブサプライチェーンリスク管理のためのハイブリッドディープラーニングフレームワークを提案する。
提案手法は,軽量な Transformer patch encoder を用いて時間次数フローのダイナミクスを共同でモデル化する。
このフレームワークは0.0089のクロスシードF1標準偏差を示しており、最高の改良版よりも3.8倍改善されている。
論文 参考訳（メタデータ） (2026-04-06T23:35:15Z) - Learning from Scratch: Structurally-masked Transformer for Next Generation Lib-free Simulation [5.564681128355971]
本稿では,多段階データパスのパワーとタイミング予測のためのニューラルネットワークフレームワークを提案する。
私たちの知る限りでは、これは標準セル用に明示的に設計された言語ベースのネットリスト対応ニューラルネットワークとしては初めてのものです。
論文 参考訳（メタデータ） (2025-07-23T10:46:25Z) - TrTr: A Versatile Pre-Trained Large Traffic Model based on Transformer
for Capturing Trajectory Diversity in Vehicle Population [13.75828180340772]
本研究では,トランスフォーマーアーキテクチャを交通タスクに適用し,車内における軌道の多様性を学習することを目的とした。
我々は、注意機構に合わせてデータ構造を作成し、繰り返しの時間的要求に対応する一連のノイズを導入する。
設計した事前学習モデルは,車両の空間分布を捉える上で優れた性能を示す。
論文 参考訳（メタデータ） (2023-09-22T07:36:22Z) - Learning to Learn with Generative Models of Neural Network Checkpoints [71.06722933442956]
ニューラルネットワークのチェックポイントのデータセットを構築し,パラメータの生成モデルをトレーニングする。
提案手法は,幅広い損失プロンプトに対するパラメータの生成に成功している。
我々は、教師付きおよび強化学習における異なるニューラルネットワークアーキテクチャとタスクに本手法を適用した。
論文 参考訳（メタデータ） (2022-09-26T17:59:58Z) - Pretraining Graph Neural Networks for few-shot Analog Circuit Modeling
and Design [68.1682448368636]
本稿では、新しい未知のトポロジや未知の予測タスクに適応可能な回路表現を学習するための教師付き事前学習手法を提案する。
異なる回路の変動位相構造に対処するため、各回路をグラフとして記述し、グラフニューラルネットワーク(GNN)を用いてノード埋め込みを学習する。
出力ノード電圧の予測における事前学習GNNは、新しい未知のトポロジや新しい回路レベル特性の予測に適応可能な学習表現を促進することができることを示す。
論文 参考訳（メタデータ） (2022-03-29T21:18:47Z) - Self-supervised Audiovisual Representation Learning for Remote Sensing Data [96.23611272637943]
遠隔センシングにおける深層ニューラルネットワークの事前学習のための自己教師型アプローチを提案する。
ジオタグ付きオーディオ記録とリモートセンシングの対応を利用して、これは完全にラベルなしの方法で行われる。
提案手法は,既存のリモートセンシング画像の事前学習方法よりも優れていることを示す。
論文 参考訳（メタデータ） (2021-08-02T07:50:50Z) - A Big Data Enabled Channel Model for 5G Wireless Communication Systems [71.93009775340234]
本稿では,ビッグデータ解析,特に無線通信およびチャネルモデリングにおける機械学習アルゴリズムの様々な応用について検討する。
本稿では,ビッグデータと機械学習を利用した無線チャネルモデルフレームワークを提案する。
提案するチャネルモデルは、フィードフォワードニューラルネットワーク(FNN)やラジアル基底関数ニューラルネットワーク(RBF-NN)を含む、人工ニューラルネットワーク(ANN)に基づいている。
論文 参考訳（メタデータ） (2020-02-28T05:56:14Z)
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。