論文の概要: Clearing the Underbrush: AI-Enhanced RF Interference Suppression

• arxiv url: http://arxiv.org/abs/2608.24974v1
• Date: Tue, 25 Aug 2026 14:55:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-27 14:15:15.327536
• Title: Clearing the Underbrush: AI-Enhanced RF Interference Suppression
• Title（参考訳）: アンダーブラシのクリア:AIによるRF干渉抑制
• Abstract要約: この作業は、Finite Scalar Quantization(FSQ)トークンライザレイヤを追加することで、従来のAI対応アプローチに基づいている。 我々は、音声品質の知覚評価(PESQ)のような音声メトリクスによるAI対応アプローチの利点を実証する。
• 参考スコア（独自算出の注目度）: 2.3977391435533373
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: AI-based structured interference rejection has grown more popular because deep learning approaches can outperform traditional methods by jointly considering the signal of interest (SOI) and the signal mixture (SOI plus interference). This work builds on a previous AI-enabled approach utilizing autoregressive transformer-based models by adding a Finite Scalar Quantization (FSQ) tokenizer layer which aims to improve the interference rejection performance while keeping overall latency to a minimum. Additionally, we experiment with other inference optimization techniques with the goal of speeding up inference without much accuracy loss. We explore this space with an experiment where the SOI is a digitally modulated radio frequency (RF) signal and the structured interference is a digital television signal, an extremely common type of Orthogonal Frequency-Division Multiplexing (OFDM) transmission. Our results achieve low latency and increased interference rejection over traditional techniques and prior work with other AI-enabled methods. We demonstrate the benefits of the AI-enabled approaches via audio metrics such as Perceptual Evaluation of Speech Quality (PESQ). Additionally, we explore a variety of applications and detail how our interference rejection algorithm may be used in operationally-relevant scenarios.
• Abstract（参考訳）: AIに基づく構造化干渉拒絶は、興味の信号(SOI)とシグナルの混合(SOI+干渉)を共同で考慮することで、ディープラーニングアプローチが従来の手法より優れているため、より人気が高まっている。 この研究は、Finite Scalar Quantization(FSQ)トークンライザレイヤを追加することで、自動回帰トランスフォーマーベースのモデルを使用した、従来型のAI対応アプローチに基づいており、全体的なレイテンシを最小に保ちながら、干渉拒否性能を改善することを目的としている。 さらに,精度の低下を伴わずに推論を高速化する目的で,他の推論最適化手法を実験した。 我々は、SOIがデジタル変調された無線周波数(RF)信号であり、構造化された干渉がデジタルテレビ信号であり、直交周波数分割多重伝送(OFDM)の非常に一般的なタイプである実験により、この空間を探索する。 その結果、従来の手法に対する低レイテンシ化と干渉拒絶の増大、および他のAI対応手法による先行的な作業が達成された。 PESQ(Perceptual Evaluation of Speech Quality)のような音声メトリクスによるAI対応アプローチの利点を実証する。 さらに、さまざまなアプリケーションについて検討し、我々の干渉拒絶アルゴリズムが運用上の関連するシナリオでどのように使用されるのかを詳述する。

関連論文リスト

• Applied AI-Enhanced RF Interference Rejection [2.3977391435533373]
  興味の信号(SOI)と信号の混合(SOI+干渉)の両方で訓練されたディープラーニングアプローチは、従来のアプローチよりも優れている。 音声品質の知覚評価 (PESQ) などの指標を用いて, 認識不能な伝達が理解不能になることを示す。 これらの同じテクニックは、より広範な国家安全保障シナリオや商用アプリケーションにも適用できると考えています。
  論文  参考訳（メタデータ） (2026-04-14T18:55:12Z)
• Learning to Separate RF Signals Under Uncertainty: Detect-Then-Separate vs. Unified Joint Models [53.79667447811139]
  受信した信号に直接適用した場合、単一のディープニューラルネットワークアーキテクチャが共同で検出および分離することを学習していることを示す。 これらの結果から,UJM は DTS に代わるスケーラブルで実用的な代替品であり,広範に推定された統合分離のための新たな方向を開拓した。
  論文  参考訳（メタデータ） (2026-02-04T15:25:02Z)
• RF Challenge: The Data-Driven Radio Frequency Signal Separation Challenge [66.33067693672696]
  本稿では、深層学習手法を利用したデータ駆動手法を用いて、高周波信号における干渉拒否の重大な問題に対処する。 本論文の主な貢献は、RF信号データセットであるRF Challengeの導入である。
  論文  参考訳（メタデータ） (2024-09-13T13:53:41Z)
• DeNoising-MOT: Towards Multiple Object Tracking with Severe Occlusions [52.63323657077447]
  DNMOTは、複数のオブジェクト追跡のためのエンドツーエンドのトレーニング可能なDeNoising Transformerである。 具体的には、トレーニング中にノイズを伴って軌道を拡大し、エンコーダ・デコーダアーキテクチャのデノイング過程をモデルに学習させる。 我々はMOT17,MOT20,DanceTrackのデータセットについて広範な実験を行い,実験結果から,提案手法が従来の最先端手法よりも明確なマージンで優れていることが示された。
  論文  参考訳（メタデータ） (2023-09-09T04:40:01Z)
• Deep Reinforcement Learning for Interference Management in UAV-based 3D Networks: Potentials and Challenges [137.47736805685457]
  チャネル情報を知らなくても干渉を効果的に軽減できることを示す。 干渉を利用することにより、提案された解決策は民間UAVの継続的な成長を可能にする。
  論文  参考訳（メタデータ） (2023-05-11T18:06:46Z)
• Data-Driven Blind Synchronization and Interference Rejection for Digital Communication Signals [98.95383921866096]
  本研究では,データ駆動型深層学習手法の可能性について検討した。 本研究では,高分解能時間構造(非定常性)の取得が性能向上につながることを示す。 既製のNNと古典的検出と干渉除去の両方で改善可能なドメインインフォームドニューラルネットワーク(NN)の設計を提案する。
  論文  参考訳（メタデータ） (2022-09-11T14:10:37Z)
• Model-based Deep Learning Receiver Design for Rate-Splitting Multiple Access [65.21117658030235]
  本研究では,モデルベース深層学習(MBDL)に基づく実用的なRSMA受信機の設計を提案する。 MBDL受信機は、符号なしシンボル誤り率(SER)、リンクレベルシミュレーション(LLS)によるスループット性能、平均トレーニングオーバーヘッドの観点から評価される。 その結果,MBDLはCSIRが不完全なSIC受信機よりも優れていた。
  論文  参考訳（メタデータ） (2022-05-02T12:23:55Z)
• Interference Suppression Using Deep Learning: Current Approaches and Open Challenges [2.179313476241343]
  本稿では,深層学習を用いた干渉抑制技術について概説する。 干渉抑制における多種多様な深層学習手法の比較とガイドラインを提供する。 さらに,干渉抑制におけるディープラーニングの導入を成功させる上での課題と今後の研究方向性を強調した。
  論文  参考訳（メタデータ） (2021-12-16T16:07:42Z)
• Reinforcement Learning for Mitigating Intermittent Interference in Terahertz Communication Networks [4.999585439793266]
  多数のユーザによる非協調送信はテラヘルツネットワークに重大な干渉を引き起こす可能性がある。 適応型マルチスレッディング戦略を用いた強化学習に基づく新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-03-10T16:28:45Z)
• Interference Classification Using Deep Neural Networks [14.962398031252059]
  本稿では,ディープニューラルネットワークを用いた干渉分類手法を提案する。 我々は、5種類の干渉信号を生成し、入力信号のパワースペクトル密度(PSD)と循環スペクトルの両方をネットワークへの入力特徴として利用する。
  論文  参考訳（メタデータ） (2020-02-03T02:12:39Z)

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。