論文の概要: Learnware for CSI Feedback: Scene-specific Small Models Can Do Big
- arxiv url: http://arxiv.org/abs/2608.17760v1
- Date: Tue, 18 Aug 2026 13:26:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-19 21:40:53.351859
- Title: Learnware for CSI Feedback: Scene-specific Small Models Can Do Big
- Title（参考訳）: CSIフィードバックのためのラーニングウェア:シーン固有の小さなモデルは大きなことができる
- Abstract要約: 知的チャネル状態情報(CSI)フィードバックは、将来の6Gシステムの高容量およびスペクトル効率の目標を実現するために不可欠である。
既存のディープラーニングソリューションは、モデル一般化とシナリオ固有のパフォーマンスのトレードオフに直面します。
本稿では,中央AIデータセンタがシーン固有のCSIモデルのカタログを維持しているモデルリポジトリベースのデプロイメントフレームワークを紹介する。
- 参考スコア（独自算出の注目度）: 118.52196588174786
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Intelligent channel state information (CSI) feedback is essential for realizing the high capacity and spectral efficiency goals of future 6G systems, yet existing deep learning solutions face a trade-off between model generalization and scenario-specific performance. Large neural networks generalize well but incur high computational and tuning costs, while small models excel in particular environments but require repetitive costly end-to-end training for each base station (BS). To address these challenges, we introduce a model repository-based deployment framework in which a centralized AI data center maintains a catalog of scene-specific CSI models. The repository is enhanced with a Learnware-based framework, where each model is associated with a specification including semantic part (network architecture parameters) and statistical part (codeboo-fingerprint embeddings of training-data distributions). A BS submits only its local statistical specifications to retrieve the most relevant pre-trained model, enhancing data privacy by avoiding raw CSI transmission and drastically reducing retrieval latency and communication overhead. We further develop a data-driven search strategy that matches codebook fingerprints to model performance, achieving over 90% selection accuracy. In simulations, our scheme yields 18.8% and 57.7% performance improvements over the General Model in LOS and NLOS scenarios, respectively while reducing local fine-tuning by up to 1000 samples and 100 epochs. This Learnware-based approach minimizes redundant training, maximizes model reuse, and supports rapid,privacy-enhancing deployment of CSI feedback models.
- Abstract（参考訳）: インテリジェントチャネル状態情報(CSI)フィードバックは、将来の6Gシステムの高容量化とスペクトル効率の目標を実現するために不可欠であるが、既存のディープラーニングソリューションは、モデル一般化とシナリオ固有のパフォーマンスのトレードオフに直面している。
大規模ニューラルネットワークはよく一般化するが、計算とチューニングのコストは高いが、小さなモデルは特定の環境では優れているが、各基地局(BS)に対して反復的なエンドツーエンドのトレーニングを必要とする。
これらの課題に対処するために、中央集中型AIデータセンタがシーン固有のCSIモデルのカタログを維持するモデルリポジトリベースのデプロイメントフレームワークを導入する。
このレポジトリはLearnerwareベースのフレームワークで拡張されており、各モデルは意味的部分(ネットワークアーキテクチャパラメータ)と統計的部分(トレーニングデータ分散のコードブーフィンガープリント埋め込み)を含む仕様と関連付けられている。
BSは、最も関連性の高い事前訓練モデルを取得するために、そのローカルな統計仕様のみを提出し、生のCSI送信を回避し、検索レイテンシと通信オーバーヘッドを大幅に削減することで、データのプライバシを向上させる。
さらに,コードブックの指紋とモデル性能をマッチングし,90%以上の選択精度を達成できるデータ駆動検索戦略を開発した。
シミュレーションでは,LOSおよびNLOSシナリオにおける一般モデルよりも18.8%,57.7%の性能向上が得られた。
このLearnerwareベースのアプローチは、冗長なトレーニングを最小化し、モデルの再利用を最大化し、CSIフィードバックモデルの迅速なプライバシ向上を支援する。
関連論文リスト
- Catastrophic Forgetting Resilient One-Shot Incremental Federated Learning [3.4263731151809593]
本稿では,通信オーバーヘッドと破滅的忘れという2つの課題に対処する最初のFLフレームワークであるOne-Shot Incremental Federated Learning (OSI-FL)を提案する。
OSI-FLは、各クライアントからの凍結視覚言語モデル(VLM)によって考案されたカテゴリ固有の埋め込みを単一の通信ラウンドで通信する。
SSR(Selective Sample Retention, SSR)を用いて, カテゴリー別, タスクペア別において, 最上位のサンプルを特定し, 保持する訓練を増強する。
論文 参考訳（メタデータ） (2026-02-19T18:44:23Z) - Parameter-Efficient Domain Adaption for CSI Crowd-Counting via Self-Supervised Learning with Adapter Modules [11.651086215885735]
WiFi Channel State Information(CSI)を使用したデバイスフリーのクラウドカウントは、新しい世代のプライバシ保護用IoT(Internet of Things)アプリケーションを可能にする重要な技術である。
本稿では,CSI-ResNet-Aアーキテクチャを中心とした新しい2段階フレームワークを提案する。
このモデルは、自己教師付きコントラスト学習を通じてドメイン不変表現を学習し、軽量なAdapterモジュールを活用して高効率な微調整を行う。
私たちのフレームワークは、98.8%の精度で、最先端のパブリックWiARベンチマークを新たに設定しています。
論文 参考訳（メタデータ） (2026-01-05T15:27:04Z) - 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) - Automated Evolutionary Optimization for Resource-Efficient Neural Network Training [0.3905614402386577]
我々は、新しい自動機械学習(AutoML)フレームワーク、効率的な学習とロバスト自動化(PETRA)を開発した。
モデルアーキテクチャとトレーニング戦略に進化的最適化を適用する。
PETRAはプルーニング、量子化、損失正規化を含む。
論文 参考訳（メタデータ） (2025-10-10T17:17:49Z) - DPFNAS: Differential Privacy-Enhanced Federated Neural Architecture Search for 6G Edge Intelligence [23.831063160844092]
本稿では,パーソナライズド・ディファレンシャル・プライバシ(DP)と適応モデル設計を統合した新しいフェデレーション学習フレームワークを提案する。
提案手法は,トレーニングデータに対する強力なプライバシ保証を実現すると同時に,モデル性能における最先端手法を大幅に上回る。
論文 参考訳（メタデータ） (2025-09-27T01:03:26Z) - Distributed Gossip-GAN for Low-overhead CSI Feedback Training in FDD mMIMO-OFDM Systems [65.23921727688749]
本稿では,新たなゴシップ生成敵ネットワーク(Gossip-GAN)支援CSIフィードバックトレーニングフレームワークを提案する。
Gossip-GANは、ユーザのプライバシを保護しながら、低オーバーヘッドでCSIフィードバックトレーニングを可能にする。
論文 参考訳（メタデータ） (2025-08-31T07:46:16Z) - EfficientLLaVA:Generalizable Auto-Pruning for Large Vision-language Models [64.18350535770357]
マルチモーダル推論の効率を高めるために,大規模視覚言語モデルの自動プルーニング手法を提案する。
提案手法では,所望のプルーニングポリシーを探索するために,少数のサンプルのみを活用する。
視覚的質問応答のためのScienceQA, Vizwiz, MM-vet, LLaVA-Benchデータセットについて広範な実験を行った。
論文 参考訳（メタデータ） (2025-03-19T16:07:04Z) - A Multi-Fidelity Graph U-Net Model for Accelerated Physics Simulations [1.2430809884830318]
本稿では,GNNモデルの性能向上のための多元性手法の利点を生かした,新しいGNNアーキテクチャであるMulti-Fidelity U-Netを提案する。
提案手法は精度とデータ要求において有意に優れた性能を示すことを示す。
また,提案アーキテクチャの高速バージョンであるMulti-Fidelity U-Net Liteを35%高速化し,精度を2～5%削減した。
論文 参考訳（メタデータ） (2024-12-19T20:09:38Z) - Federated Learning with Projected Trajectory Regularization [65.6266768678291]
フェデレーション学習は、ローカルデータを共有せずに、分散クライアントから機械学習モデルの共同トレーニングを可能にする。
連合学習における重要な課題の1つは、クライアントにまたがる識別できない分散データを扱うことである。
本稿では,データ問題に対処するための予測軌道正則化(FedPTR)を備えた新しいフェデレーション学習フレームワークを提案する。
論文 参考訳（メタデータ） (2023-12-22T02:12:08Z) - Visual Prompting Upgrades Neural Network Sparsification: A Data-Model Perspective [64.04617968947697]
より優れた重量空間を実現するために、新しいデータモデル共設計視点を導入する。
具体的には、提案したVPNフレームワークでニューラルネットワークのスパーシフィケーションをアップグレードするために、カスタマイズされたVisual Promptが実装されている。
論文 参考訳（メタデータ） (2023-12-03T13:50:24Z)
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。