論文の概要: A Comprehensive Survey of Wireless Foundation Models for AI-Native 6G Networks
- arxiv url: http://arxiv.org/abs/2608.14694v1
- Date: Sun, 09 Aug 2026 19:24:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-18 19:59:03.034717
- Title: A Comprehensive Survey of Wireless Foundation Models for AI-Native 6G Networks
- Title（参考訳）: AIネイティブ6Gネットワークのための無線基礎モデルの総合的調査
- Abstract要約: AIネイティブの第6世代(6G)無線ネットワークのトランスフォーメーションパラダイムとして、ファンデーションモデルが登場している。
WFMは、大規模な異種無線データから一般化された表現を学習する。
WFMは通信、センシング、ローカライゼーション、ネットワーク最適化のタスクに効率的に適応できる。
- 参考スコア（独自算出の注目度）: 5.080645187815144
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Foundation models are emerging as a transformative paradigm for AI-native sixth-generation (6G) wireless networks by enabling scalable, transferable, and data-efficient intelligence across diverse communication tasks. Unlike conventional deep learning models that are trained for individual applications, wireless foundation models (WFMs) learn generalized representations from large-scale heterogeneous wireless data and can be efficiently adapted to communication, sensing, localization, and network optimization tasks with minimal task-specific supervision. Despite rapid progress, current research remains fragmented across architectures, training paradigms, and application domains, with no unified survey dedicated to the design, learning, and deployment of WFMs. This survey presents a comprehensive and unified review of wireless foundation models. We first establish the fundamental concepts of WFMs and introduce a taxonomy that organizes the field according to model architectures, pre-training paradigms, and applications. We then review representative architectures, self-supervised pre-training strategies, parameter-efficient adaptation methods, datasets, benchmarks, and evaluation methodologies, highlighting their roles in enabling transferable wireless intelligence. Furthermore, we examine emerging applications spanning physical-layer signal processing, network intelligence, and cross-layer optimization, and discuss the key challenges of data availability, generalization, interpretability, efficient edge deployment, and standardization. Finally, we outline future research directions toward scalable, trustworthy, and general-purpose wireless intelligence for AI-native 6G networks. This survey provides a comprehensive reference for researchers and practitioners developing next-generation intelligent wireless systems.
- Abstract（参考訳）: AIネイティブの第6世代(6G)無線ネットワークのトランスフォーメーションパラダイムとして、さまざまな通信タスクにわたるスケーラブルで転送可能なデータ効率のインテリジェンスを実現して、ファンデーションモデルが登場している。
個別のアプリケーションのために訓練された従来のディープラーニングモデルとは異なり、無線基礎モデル(WFM)は大規模な異種無線データから一般化された表現を学習し、コミュニケーション、センシング、ローカライゼーション、ネットワーク最適化タスクに最小限のタスクに適応することができる。
急速な進歩にもかかわらず、現在の研究はアーキテクチャ、トレーニングパラダイム、アプリケーションドメインで断片化されており、WFMの設計、学習、デプロイに関する統一的な調査は行われていない。
本調査では,無線基礎モデルの総合的かつ統一的なレビューを行う。
まず、WFMの基本概念を確立し、モデルアーキテクチャ、事前学習パラダイム、アプリケーションに基づいて分野を整理する分類を導入します。
次に,代表アーキテクチャ,自己指導型事前学習戦略,パラメータ効率適応手法,データセット,ベンチマーク,評価手法をレビューし,転送可能な無線インテリジェンスの実現における役割を明らかにする。
さらに,物理層信号処理,ネットワークインテリジェンス,クロスレイヤ最適化にまたがる新興アプリケーションについて検討し,データ可用性,一般化,解釈可能性,効率的なエッジデプロイメント,標準化といった重要な課題について議論する。
最後に、AIネイティブな6Gネットワークのためのスケーラブルで信頼性があり、汎用的なワイヤレスインテリジェンスに向けた今後の研究方向性について概説する。
この調査は、次世代のインテリジェント無線システムを開発する研究者や実践者に包括的な参考を提供する。
関連論文リスト
- Wireless Foundation Models: State-of-the-Art and Open Challenges [8.033625328567284]
無線基礎モデル(WFM)は、大規模無線データから再利用可能な表現を学習するための有望なアプローチとして登場した。
このサーベイは物理層アプリケーションのためのWFMの系統的解析を提供する。
論文 参考訳（メタデータ） (2026-09-04T04:26:04Z) - Networking-Aware Energy Efficiency in Agentic AI Inference: A Survey [64.20429885919701]
本稿では,知覚・推論・行動サイクル全体にわたる計算・通信コストを同定するエネルギー会計フレームワークを提案する。
我々は、単純化、計算制御、インプット・アンド・アテンション最適化、ハードウェア・アウェア・推論にまたがる統一的な分類法を確立する。
我々は,第6世代移動通信(6G)ネイティブエージェントAI,自己維持システムといったグリーンラーニングのオープンな課題を特定した。
論文 参考訳（メタデータ） (2026-04-09T06:13:59Z) - A Graph Foundation Model for Wireless Resource Allocation [37.503398874234094]
本稿では、事前学習および微調整のパラダイムに基づく資源配分のためのグラフ基盤モデルを提案し、統一表現を抽出する。
具体的には、干渉トポロジをグローバルアテンション機構に注入するバイアスプロジェクタを備えた干渉対応トランスフォーマーアーキテクチャを提案する。
実験により,提案するフレームワークは,モデルキャパシティを向上して,最先端のパフォーマンスを実現し,効果的にスケールできることが示されている。
論文 参考訳（メタデータ） (2026-04-08T06:07:28Z) - 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) - A Multi-Modal Foundational Model for Wireless Communication and Sensing [5.101849923596286]
本研究は,物理層無線システムのタスク非依存・マルチモーダル基礎モデルを提案する。
異質なモダリティにまたがる移動可能で物理学を意識した表現を学習し、タスクや環境をまたいだ堅牢な一般化を可能にしている。
本評価は,タスク固有のベースラインと比較して,より優れた一般化,デプロイメントシフトに対する堅牢性,データ要求の削減を示す。
論文 参考訳（メタデータ） (2026-02-03T21:03:23Z) - AI-Native Integrated Sensing and Communications for Self-Organizing Wireless Networks: Architectures, Learning Paradigms, and System-Level Design [0.0]
次世代無線ネットワークの基本パラダイムとして、ISAC(Integrated Sensing and Communications)が登場している。
無線センシングと通信機能を密結合することにより、ISACは状況認識、ローカライゼーション、トラッキング、ネットワーク適応のための新しい機能を解放する。
この調査は、AIネイティブなISAC対応の自己組織化無線ネットワークの包括的でシステムレベルのレビューを提供する。
論文 参考訳（メタデータ） (2025-12-29T05:45:57Z) - A Survey on Generative Recommendation: Data, Model, and Tasks [55.36322811257545]
ジェネレーティブ・レコメンデーションは、差別的なスコアではなく、世代としてのレコメンデーションを再認識する。
この調査は、データ、モデル、タスク次元にまたがる統合された三部構成のフレームワークを通じて包括的な調査を提供する。
世界知識の統合、自然言語理解、推論能力、スケーリング法則、創造的生成の5つの主要な利点を特定します。
論文 参考訳（メタデータ） (2025-10-31T04:02:58Z) - Diffusion Models for Future Networks and Communications: A Comprehensive Survey [65.97057929688499]
近年のGenerative AI(GenAI)の台頭は、無線通信やネットワークの変革的進歩を触媒している。
GenAIファミリーの中では、拡散モデル(DM)が強力な選択肢として注目されている。
我々は,将来の通信システムにおけるDMの理論的基礎と実践的応用の包括的概要を提供する。
論文 参考訳（メタデータ） (2025-08-03T04:59:58Z) - World Models for Cognitive Agents: Transforming Edge Intelligence in Future Networks [55.90051810762702]
本稿では,世界モデルを概観し,そのアーキテクチャ,トレーニングパラダイム,予測,生成,計画,因果推論といった応用を概観する。
ワイヤレスエッジインテリジェンス最適化に適した,新しい世界モデルに基づく強化学習フレームワークであるWireless Dreamerを提案する。
論文 参考訳（メタデータ） (2025-05-31T06:43:00Z) - Learning Wireless Data Knowledge Graph for Green Intelligent Communications: Methodology and Experiments [36.82287751359216]
我々は,知識グラフ(KG)の概念をモバイルネットワークのインテリジェントな操作操作に統合した,広汎なマルチレベル(PML)ネイティブAIアーキテクチャを提案する。
我々は、無線通信ネットワークから収集された大規模で複雑なデータを特徴付け、様々なデータフィールド間の関係を分析する。
このアーキテクチャは、AIトレーニング、推論、検証プロセスを強化するだけでなく、通信ネットワークのリソースの浪費とオーバーヘッドを大幅に削減する。
論文 参考訳（メタデータ） (2024-04-16T07:55:34Z) - 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) - An NWDAF Approach to 5G Core Network Signaling Traffic: Analysis and
Characterization [3.5573601621032935]
本稿では,5G Core(5GC)ネットワークとNetwork Data Analytics Function(NWDAF)の動作システムプロトタイプの実証に焦点をあてる。
ネットワーク生成データの解析は、教師なし学習、クラスタリングを通じてネットワーク内相互作用の中核を探索し、これらの結果を将来の機会と作業の洞察として評価する。
論文 参考訳（メタデータ） (2022-09-21T15:21:59Z) - Deep Learning for Ultra-Reliable and Low-Latency Communications in 6G
Networks [84.2155885234293]
まず,データ駆動型教師付き深層学習と深部強化学習をURLLCに適用する方法を概説する。
このようなオープンな問題に対処するために、デバイスインテリジェンス、エッジインテリジェンス、およびURLLCのためのクラウドインテリジェンスを可能にするマルチレベルアーキテクチャを開発した。
論文 参考訳（メタデータ） (2020-02-22T14:38:11Z)
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。