論文の概要: GCNO: Gramian Chebyshev Neural Operator for Physics-Based Compression of Wireless Channels

• arxiv url: http://arxiv.org/abs/2608.18522v1
• Date: Wed, 19 Aug 2026 04:16:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-20 20:13:55.276511
• Title: GCNO: Gramian Chebyshev Neural Operator for Physics-Based Compression of Wireless Channels
• Title（参考訳）: GCNO:Gramian Chebyshev Neural Operator for Physics-based Compression of Wireless Channels
• Authors: Rafid Umayer Murshed, Shahab Hamidi-Rad, Elahe Soltanaghai, Akshay Malhotra,
• Abstract要約: GCNOは物理学に基づく可変レート圧縮機であり、サンプル依存の経路方向を識別する。 経路ラベルなしで訓練し、基地局は伝送路伝搬から解析的にチャネルを再構築する。
• 参考スコア（独自算出の注目度）: 3.2646013281062483
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large antenna arrays allow wireless systems to serve more users and achieve higher data rates, but they also make channel feedback expensive: the receiving device must repeatedly report a large complex-valued channel matrix to the base station. Most neural compressors treat this matrix like an image and replace it with a fixed-length code that only a matched neural decoder can interpret. The message therefore does not adapt to channel complexity, and changing the antenna count typically requires retraining. We ask whether a device can instead report only the few dominant propagation paths underlying each channel. We introduce the Gramian Chebyshev Neural Operator (GCNO), a physics-based, variable-rate compressor that identifies a sample-dependent set of path directions. GCNO uses receive-transmit channel structure to locate paths, a first-order Taylor correction to refine directions that fall between grid points, and least squares to recover their complex strengths. It is trained without path labels, and the base station reconstructs the channel analytically from the transmitted path tuples rather than through a learned decoder. Across three ray-traced environments, GCNO achieves better reconstruction accuracy at the same payload - or lower payload at the same accuracy - than neural feedback baselines, and transfers to unseen antenna counts without retraining.
• Abstract（参考訳）: 大型アンテナアレイにより、無線システムはより多くのユーザーを提供し、より高いデータレートを達成することができるが、それらはチャネルフィードバックを高くする。 ほとんどのニューラル圧縮機は、このマトリックスを画像のように扱い、マッチしたニューラルデコーダだけが解釈できる固定長のコードで置き換える。 したがって、メッセージはチャネルの複雑さに適応せず、アンテナ数を変更するには、通常再トレーニングが必要である。 デバイスが各チャネルの下位にあるいくつかの支配的な伝搬経路のみを報告できるかどうかを問う。 本稿では,Glamian Chebyshev Neural Operator (GCNO)を紹介した。 GCNOは、経路を見つけるために受信-送信チャネル構造、格子点間の方向を洗練するための一階のテイラー補正、およびそれらの複雑な強度を回復するために最小2乗を使用する。 経路ラベルなしで訓練され、基地局は、学習されたデコーダを介してではなく、送信された経路タプルからチャネルを解析的に再構築する。 3つのレイトレーシング環境において、GCNOは、ニューラルフィードバックベースラインよりも、同じペイロード(または同じペイロード)での再構築精度が向上し、再トレーニングなしで未確認のアンテナ数に転送される。

関連論文リスト

• PilotWiMAE: Pilot-Native Representation Learning for Wireless Channels [19.277001743060435]
  本稿では,エンコーダがノイズの多いパイロット観測を直接摂取する自己教師型フレームワークであるPilotWiMAEを紹介する。 パイロット入力は観測空間を最大2桁まで縮小し、フルCSI可用性の非現実的な仮定を除去する。 本稿では,エンコーダとデコーダを併用した事前学習段階を提案する。
  論文  参考訳（メタデータ） (2026-05-19T06:21:22Z)
• Cross-Attention Transformer for Joint Multi-Receiver Uplink Neural Decoding [0.0]
  我々はOFDM信号の連成復号化のためのクロスアテンション変換器を提案する。 共有受信者エンコーダは、受信された各グリッド内の時間周波数構造を学習する。 トークンワイドのクロスアテンションモジュールは、受信機を融合させ、標準チャネルデコーダに対してソフトなログライクな比率を生成する。
  論文  参考訳（メタデータ） (2026-02-04T16:34:48Z)
• Land-then-transport: A Flow Matching-Based Generative Decoder for Wireless Image Transmission [38.71668959954467]
  低遅延デコーディングのためのフローマッチング生成デコーダを提案する。 JPEG2000+LDPC、DeepJSCC、拡散ベースラインに対して一貫した利得を示す実験がある。 LTTは、無線画像デコード生成のための決定論的、物理的に解釈可能、効率的なフレームワークを提供する。
  論文  参考訳（メタデータ） (2026-01-12T13:09:37Z)
• GSpaRC: Gaussian Splatting for Real-time Reconstruction of RF Channels [18.70495617397063]
  無線通信システムにおける適応ビームフォーミングおよびロバストリンクにはチャネル状態情報(CSI)が不可欠である。 本稿では1msの遅延障壁を破る最初の計算であるRFチャネルのリアルタイム再構成のためのガウススプラッティングについて述べる。
  論文  参考訳（メタデータ） (2025-11-27T22:42:23Z)
• SCTransNet: Spatial-channel Cross Transformer Network for Infrared Small Target Detection [46.049401912285134]
  赤外線小ターゲット検出(IRSTD)は近年,U字型ニューラルモデルから大きな恩恵を受けている。 既存のテクニックは、ターゲットが背景と高い類似性を持つ場合に苦労する。 本稿では,空間チャネルクロストランスネットワーク(SCTransNet)を提案する。
  論文  参考訳（メタデータ） (2024-01-28T06:41:15Z)
• Deep Transformers without Shortcuts: Modifying Self-attention for Faithful Signal Propagation [105.22961467028234]
  ディープニューラルネットワーク(DNN)のトレーニングにおいて,スキップ接続と正規化レイヤはユビキタスである Deep Kernel Shapingのような最近のアプローチは、それらへの依存を減らすために進歩しました。 しかし、これらのアプローチは変換器に存在する自己注意層とは相容れない。
  論文  参考訳（メタデータ） (2023-02-20T21:26:25Z)
• Integral Migrating Pre-trained Transformer Encoder-decoders for Visual Object Detection [78.2325219839805]
  imTEDは、数発のオブジェクト検出の最先端を最大7.6%改善する。 MS COCOデータセットの実験は、imTEDが一貫してそのデータセットを2.8%上回っていることを示している。
  論文  参考訳（メタデータ） (2022-05-19T15:11:20Z)
• Deep Learning Based Antenna-time Domain Channel Extrapolation for Hybrid mmWave Massive MIMO [30.201881862681972]
  本研究では,部分的なアップリンクチャネルから基地局の全ダウンリンクチャネルへのマッピング関数を学習するために,潜在常微分方程式(ODE)に基づくネットワークを設計する。 シミュレーションの結果,設計したネットワークは,部分的なアップリンクチャネルから全ダウンリンクチャネルを効率的に推測できることがわかった。
  論文  参考訳（メタデータ） (2021-08-09T11:12:46Z)
• Group Fisher Pruning for Practical Network Compression [58.25776612812883]
  本稿では,様々な複雑な構造に応用可能な汎用チャネルプルーニング手法を提案する。 我々は、単一チャネルと結合チャネルの重要性を評価するために、フィッシャー情報に基づく統一されたメトリクスを導出する。 提案手法は,結合チャネルを含む任意の構造をプルークするために利用できる。
  論文  参考訳（メタデータ） (2021-08-02T08:21:44Z)
• A Compressive Sensing Approach for Federated Learning over Massive MIMO Communication Systems [82.2513703281725]
  フェデレートラーニング(Federated Learning)は、無線デバイスとのコラボレーションによって、中央サーバでグローバルモデルをトレーニングするための、プライバシ保護のアプローチである。 本稿では,大規模マルチインプット多出力通信システム上でのフェデレーション学習のための圧縮センシング手法を提案する。
  論文  参考訳（メタデータ） (2020-03-18T05:56:27Z)

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。