論文の概要: Beamforming Design Via GNN in mmWave Cell-Free Massive MIMO Using Sub-6 GHz CSI
- arxiv url: http://arxiv.org/abs/2608.30524v1
- Date: Mon, 31 Aug 2026 09:55:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-01 18:31:31.337773
- Title: Beamforming Design Via GNN in mmWave Cell-Free Massive MIMO Using Sub-6 GHz CSI
- Title（参考訳）: Sub-6GHz CSIを用いたミリ波セルフリー大量MIMOにおけるGNNのビームフォーミング設計
- Abstract要約: 本稿では, グラフニューラルネットワーク(GNN)を用いて, 6GHz以下のCSIから, 完全ディジタルセルフリーのミリ波ビームフォーミングを効果的に学習できることを示す。
異なるネットワークトポロジ間のユーザ間干渉や基地間協調を捉えるために,メッセージパッシング機構を提案する。
- 参考スコア（独自算出の注目度）: 19.524240186069097
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Beamforming methods in millimeter-wave (mmWave) cell-free massive multiple-input multiple-output (CFmMIMO) systems require accurate channel state information (CSI), whose acquisition entails significant training overhead. This paper shows that fully digital cell-free mmWave beamforming can be effectively learned from sub-6 GHz CSI using a graph neural network (GNN). Specifically, we represent a CFmMIMO system as a wireless graph, and the GNN is trained to approximate beamformers that maximize the downlink sum-rate based on the available sub-6 GHz CSI. A message-passing mechanism is proposed to capture inter-user interference and inter-base-station cooperation across different network topologies. Simulation results demonstrate that the proposed sub-6 GHz-assisted GNN-based beamformer achieves competitive and often superior sum-rate performance compared to classical baselines that rely on full mmWave CSI.
- Abstract（参考訳）: ミリ波(mmWave)セルレス大規模マルチインプット多重出力(CFmMIMO)システムにおけるビームフォーミング法は、正確なチャネル状態情報(CSI)を必要とする。
本稿では, グラフニューラルネットワーク(GNN)を用いて, 6GHz以下のCSIから, 完全ディジタルセルフリーのミリ波ビームフォーミングを効果的に学習できることを示す。
具体的には、CFmMIMOシステムを無線グラフとして表現し、GNNは、利用可能な6GHzのCSIに基づいて、ダウンリンク和率を最大化するビームフォーマを近似するように訓練する。
異なるネットワークトポロジ間のユーザ間干渉や基地間協調を捉えるために,メッセージパッシング機構を提案する。
シミュレーションの結果,提案したサブ6GHz帯GNNベースのビームフォーマは,フルミリ波CSIに依存した古典的ベースラインに比べて,競争力が高く,しばしば優れたサミレート性能を実現することが示された。
関連論文リスト
- Multi-layer MIMO Relay as Deep Physical Neural Networks: Power Amplifiers as Activation Functions [56.870614369768354]
無線物理ニューラルネットワーク(WPNN)は、アナログハードウェアに直接ニューラルネットワークを埋め込む。
マルチホップマルチインプットマルチアウトプット(MIMO)リレーネットワークにより非線形活性化を実現する深層WPNNを提案する。
提案アーキテクチャは,画像分類の高精度なオーバー・ザ・エア推論を可能にする。
論文 参考訳（メタデータ） (2026-07-20T09:45:07Z) - Deep Learning Based Channel Extrapolation for Dual-Band Massive MIMO Systems [20.91805869963071]
サブ6GHz帯CSIをmmWave帯CSIに外挿するための効率的なtextbfMulti-textbfDomain textbfFusion textbfChannel textbfExtrapolator (MDFCE) を提案する。
数学的モデリングに基づく従来のチャネル外挿法とは異なり、提案したMDFCEは、エキスパートフレームワークとマルチヘッド自己認識機構を組み合わせたものである。
論文 参考訳（メタデータ） (2026-01-11T10:59:22Z) - Green Learning for STAR-RIS mmWave Systems with Implicit CSI [53.03358325565645]
再構成可能なインテリジェントサーフェス (STAR-RIS) 支援ミリ波放送システム (mmWave) を同時に送信し, 反射するグリーンラーニング (GL) ベースのプリコーディングフレームワークを提案する。
本研究は,将来の6Gネットワークにおける環境持続可能性を重視し,複数のユーザが同一情報を共有し,スペクトル効率を向上し,冗長伝送と電力消費を低減させるシナリオに,トランスミッションフレームワークを採用する。
論文 参考訳（メタデータ） (2025-09-08T15:56:06Z) - DNN-Based Precoding in RIS-Aided mmWave MIMO Systems With Practical Phase Shift [43.56429251312585]
本稿では、直接通信路を妨害したミリ波マルチインプット多重出力(MIMO)システムのスループットを最大化する。
リコンフィギュアブルインテリジェントサーフェス(RIS)は、視線(LoS)とマルチパス効果に関連するmmWave特性を考慮して伝送性を高めるために使用される。
ディープニューラルネットワーク(DNN)は、より高速なコードワード選択を容易にするために開発された。
論文 参考訳（メタデータ） (2025-07-03T17:35:06Z) - Graph Neural Network Based Hybrid Beamforming Design in Wideband Terahertz MIMO-OFDM Systems [11.887537452826622]
6G無線技術は、高指向性ビームフォーミングによって実現される、より高周波数帯域を採用するために計画されている。
利用可能な広い帯域幅は、巨大な多重入力とMIMOシステムにおけるビームスクイントの影響も無視できない。
各アンテナに実時間遅延線(TTD)を追加するような従来のアプローチは、大量のアンテナアレイを必要とするためコストがかかる。
本稿では、ハイブリッドビームフォーミングを最適化するためのグラフニューラルネットワーク(GNN)の革新的な応用を通じて、OFDMシステムのマルチキャリア構造に特に適応した信号処理の代替手法を提案する。
論文 参考訳（メタデータ） (2025-01-27T18:45:54Z) - Spectral Temporal Graph Neural Network for massive MIMO CSI Prediction [0.0]
このレターは先駆的なアプローチであるSTEM GNN(Spectral-Temporal Graph Neural Network)を紹介する。
チャネル状態情報(CSI)予測のためのSTEM GNNアプローチと従来のリカレントニューラルネットワーク(RNN)モデルとLong Short-Term Memory(LSTM)モデルを比較した。
以上の結果から,STEM GNNによる通信システム全体の性能向上が示唆された。
論文 参考訳（メタデータ） (2023-09-10T04:13:43Z) - Deep Learning for Hybrid Beamforming with Finite Feedback in GSM Aided
mmWave MIMO Systems [9.320559153486885]
ハイブリッドビームフォーミングはミリ波多重出力(MIMO)システムにおいて重要な技術として広く認識されている。
ディープラーニングの助けを借りて、GSMハイブリッドビームフォーマは、教師なし学習をエンドツーエンドで設計する。
論文 参考訳（メタデータ） (2023-02-15T11:42:43Z) - Signal Detection in MIMO Systems with Hardware Imperfections: Message
Passing on Neural Networks [101.59367762974371]
本稿では,Multi-Input-multiple-output (MIMO)通信システムにおける信号検出について検討する。
パイロット信号が限られているディープニューラルネットワーク(DNN)のトレーニングは困難であり、実用化を妨げている。
我々は、ユニタリ近似メッセージパッシング(UAMP)アルゴリズムを利用して、効率的なメッセージパッシングに基づくベイズ信号検出器を設計する。
論文 参考訳（メタデータ） (2022-10-08T04:32:58Z) - CSI Feedback with Model-Driven Deep Learning of Massive MIMO Systems [0.0]
モデル駆動深層学習に基づく2段階低ランクCSIフィードバック方式を提案する。
さらに、より効率的なCSIフィードバックを実現するために、高速反復収縮しきい値アルゴリズム(FISTA)を展開させることにより、FISTA-Netというディープ反復ニューラルネットワークを設計する。
論文 参考訳（メタデータ） (2021-12-13T03:50:43Z) - Joint Superposition Coding and Training for Federated Learning over
Multi-Width Neural Networks [52.93232352968347]
本稿では,2つの相乗的技術,フェデレートラーニング(FL)と幅調整可能なスリムブルニューラルネットワーク(SNN)を統合することを目的とする。
FLは、ローカルに訓練されたモバイルデバイスのモデルを交換することによって、データのプライバシを保護している。しかしながら、SNNは、特に時間変化のあるチャネル条件との無線接続下では、非自明である。
局所モデル更新のためのグローバルモデル集約と重ね合わせ訓練(ST)に重ね合わせ符号化(SC)を併用した通信およびエネルギー効率の高いSNNベースFL(SlimFL)を提案する。
論文 参考訳（メタデータ） (2021-12-05T11:17:17Z) - Two-Timescale End-to-End Learning for Channel Acquisition and Hybrid
Precoding [94.40747235081466]
本研究では,ミリ波(mmWave)大規模マルチインプット多重出力(MIMO)システムのためのエンドツーエンドの深層学習に基づくジョイントトランスシーバ設計アルゴリズムを提案する。
我々は受信したパイロットを受信機でフィードバックビットにマッピングし、さらに送信機でハイブリッドプリコーダにフィードバックビットをマッピングするDNNアーキテクチャを開発した。
論文 参考訳（メタデータ） (2021-10-22T20:49:02Z) - Acquisition of Channel State Information for mmWave Massive MIMO:
Traditional and Machine Learning-based Approaches [48.52099617055683]
チャネル状態情報(CSI)の取得精度はミリ波通信の性能に直接影響を与える。
本稿では,ミリ波マルチインプットマルチアウトプットシステムのビームトレーニングとチャネル推定を含む,CSIの買収の概要について述べる。
論文 参考訳（メタデータ） (2020-06-16T03:11:51Z)
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。