論文の概要: 6G Native AI and Channel Foundation Models

• arxiv url: http://arxiv.org/abs/2608.14591v1
• Date: Wed, 24 Jun 2026 10:50:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.225044
• Title: 6G Native AI and Channel Foundation Models
• Title（参考訳）: 6GネイティブAIとチャネルファウンデーションモデル
• Abstract要約: 6GネイティブAIは、ワイヤレスシステムの本質的なコンポーネントとして設計され、最適化され、デプロイされるべきである。 チャネルファウンデーションモデル(CFM)は、6GネイティブAIのためのチャネル中心のファンデーションモデルパラダイムである。 予備的なCSI-CLIPに基づく結果は、CFMスタイルの事前訓練が位置決めとビーム予測を改善するという有界な証拠として含まれる。
• 参考スコア（独自算出の注目度）: 20.56940455185664
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The integration of artificial intelligence (AI) and wireless communications is widely regarded as a core objective of sixth-generation (6G) systems. However, both the meaning of native AI and the type of AI capability that should be embedded into future wireless systems remain open to interpretation. This paper discusses 6G native AI from a system-design perspective and argues that native AI should be co-designed, optimized, and deployed as an intrinsic component of the wireless system rather than as a removable post-deployment add-on. From this perspective, conventional task-specific supervised models are difficult to use as the main technical basis of native AI because they depend heavily on labeled data, generalize poorly across propagation conditions, and require fragmented designs for different channel-related tasks. Motivated by these limitations, we position channel foundation models (CFMs) as a channel-centric foundation-model paradigm for 6G native AI. We define the scope of CFMs, clarify their differences from task-specific wireless AI models and large language models, and summarize three pretraining families: generative, discriminative, and hybrid pretraining. We further discuss how CFMs may support physical-layer processing, radio access network intelligence, and integrated sensing and communications. Preliminary CSI-CLIP-based results are included as bounded evidence that CFM-style pretraining can improve positioning and beam prediction when task-specific labels are limited.
• Abstract（参考訳）: 人工知能(AI)と無線通信の統合は、第6世代(6G)システムの中核的な目的として広く見なされている。 しかし、ネイティブAIの意味と将来の無線システムに組み込むべきAI能力のタイプの両方は、解釈の余地がないままである。 本稿では、システム設計の観点から6GネイティブAIについて論じ、ネイティブAIは、取り外し可能なポストデプロイアドオンとしてではなく、無線システムの本質的なコンポーネントとして設計、最適化、デプロイされるべきである、と論じる。 この観点からは、従来のタスク固有の教師付きモデルは、ラベル付きデータに大きく依存し、伝播条件を不適切に一般化し、異なるチャネル関連タスクのための断片化設計を必要とするため、ネイティブAIの技術的な基盤として使うのは難しい。 これらの制限により、チャネル基盤モデル(CFM)を、6GネイティブAIのためのチャネル中心のファンデーションモデルパラダイムとして位置づける。 我々は、CFMの範囲を定義し、タスク固有の無線AIモデルと大規模言語モデルとの相違を明らかにし、生成、識別、ハイブリッド事前学習の3つの事前学習ファミリーを要約する。 さらに、CFMが物理層処理、無線アクセスネットワークインテリジェンス、および統合されたセンシングと通信をどのようにサポートするかについて議論する。 予備的なCSI-CLIPに基づく結果は、タスク固有のラベルが限定された場合、CFMスタイルの事前訓練が位置やビーム予測を改善するという有界な証拠として含まれる。

関連論文リスト

• Towards Resilient and Autonomous Networks: A BlueSky Vision on AI-Native 6G [4.5227293682646845]
  6G時代のネイティブAIは、ファンデーションモデルによって固定され、協調的なマルチエージェントシステムを介してオーケストレーションされます。 1つ目は、6Gファウンデーションモデルを統一されたバックボーンとして開発することであり、タスク固有の知識を様々なエッジ展開に適したコンパクトなモデルに抽出する。 第2の進歩は、人間の介入を最小限に抑え、ネットワークを自律的に診断し、維持し、回復するように設計されたマルチエージェントシステムである。
  論文  参考訳（メタデータ） (2026-05-20T16:53:06Z)
• Federated Agentic AI for Wireless Networks: Fundamentals, Approaches, and Applications [60.721304295812445]
  フェデレートラーニング(FL)はエージェントAIの全体的なループを改善する可能性がある。 まず、エージェントAIとメインストリームのFLタイプの基礎を要約し、各FLタイプがエージェントAIのループの特定のコンポーネントを強化する方法について説明する。 低高度無線ネットワークにおけるエージェントAIの動作決定性能を向上させるためにFRLを用いたケーススタディを行う。
  論文  参考訳（メタデータ） (2026-03-02T11:26:56Z)
• Way to Build Native AI-driven 6G Air Interface: Principles, Roadmap, and Outlook [16.956195994255715]
  本稿では、圧縮と適応という2つのコア特性を中心に構築された、AI駆動のネイティブな空気インターフェースアーキテクチャを提案する。 一方、圧縮により、シンボルレベルの精度よりもタスク関連性に着目し、ソースデータから本質的な意味情報を理解し、抽出することができる。 一方、空気インターフェースは様々なタスク、データタイプ、チャネル条件にまたがるセマンティック情報を動的に伝達し、スケーラビリティと堅牢性を確保することができる。
  論文  参考訳（メタデータ） (2025-08-21T06:11:04Z)
• Overview of AI and Communication for 6G Network: Fundamentals, Challenges, and Future Research Opportunities [148.601430677814]
  本稿では,6GネットワークにおけるAIと通信の概要を概観する。 我々はまず、AIを無線通信に組み込むことの背景にある要因と、AIと6Gの収束のビジョンを概観する。 講演はその後、6Gネットワーク内でAIの統合を想定する詳細な説明へと移行する。
  論文  参考訳（メタデータ） (2024-12-19T05:36:34Z)
• Toward 6G Native-AI Network: Foundation Model based Cloud-Edge-End Collaboration Framework [55.73948386625618]
  データ、AIモデル、運用パラダイムの観点から、6GネイティブAIを達成する上での課題を分析します。 基礎モデルに基づく6GネイティブAIフレームワークを提案し、専門家の知識の統合方法を提供し、2種類のPFMのカスタマイズを提示し、ネイティブAIフレームワークの新たな運用パラダイムを概説する。
  論文  参考訳（メタデータ） (2023-10-26T15:19:40Z)

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。