論文の概要: Wireless Foundation Models: State-of-the-Art and Open Challenges

• arxiv url: http://arxiv.org/abs/2609.04707v1
• Date: Fri, 04 Sep 2026 04:26:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-07 18:15:23.907955
• Title: Wireless Foundation Models: State-of-the-Art and Open Challenges
• Title（参考訳）: ワイヤレスファンデーションモデル:現状とオープンな課題
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 8.033625328567284
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Wireless foundation models (WFMs) have emerged as a promising approach for learning reusable representations from large-scale wireless data and adapting them to downstream tasks. However, the rapidly growing literature remains fragmented across modalities, pretraining objectives, architectures, adaptation strategies, and evaluation protocols, making it difficult to assess progress toward broadly transferable models. This survey provides a systematic analysis of WFMs for physical-layer applications. We first introduce the main WFM design components, including pretraining, backbone architectures, and downstream adaptation. We then organize the literature into five physical-layer task families: signal recognition and demodulation, channel representation learning, RF sensing and localization, beam management, and spectrum sensing and monitoring, while separately examining multi-task PHY models. Across these categories, we analyze how existing models are pretrained, adapted, and evaluated, with particular attention to downstream task diversity and the distinction between in-distribution, partial-shift, and out-of-distribution transfer. Our analysis shows that current WFMs provide increasing evidence of reusable wireless representations, but this evidence varies considerably across task families and evaluation settings. Differences in datasets, modalities, architectures, pretraining objectives, adaptation protocols, and distribution shifts make it difficult to determine which design choices drive transfer and generalization. We conclude by identifying open directions for improving data availability, evaluation rigor, generalization, efficient adaptation, and real-world deployment, providing a unified framework for understanding the current WFM landscape and the requirements for developing more reusable foundation models for future physical-layer wireless systems.
• Abstract（参考訳）: 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し、下流タスクに適応するための有望なアプローチとして登場した。 しかし、急速に成長する文献は、目標、アーキテクチャ、適応戦略、評価プロトコルなど、モダリティにまたがって断片化され続けており、広く伝達可能なモデルへの進捗を評価することは困難である。 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。 まず、事前学習、バックボーンアーキテクチャ、下流適応など、主要なWFM設計コンポーネントを紹介します。 次に、本論文を、信号認識・復調、チャネル表現学習、RFセンシング・ローカライゼーション、ビーム管理、スペクトルセンシング・監視の5つの物理層タスクファミリに分類し、マルチタスクPHYモデルを別々に検討する。 これらのカテゴリ全体で、既存のモデルがどのように事前訓練され、適応され、評価されているかを分析し、特に下流タスクの多様性と、分布内、部分シフト、分布外移動の区別に注目した。 我々の分析では、現在のWFMは再利用可能な無線表現の証拠を増大させるが、この証拠はタスクファミリや評価設定によって大きく異なる。 データセット、モダリティ、アーキテクチャ、事前訓練対象、適応プロトコル、分散シフトの違いは、どの設計選択が転送と一般化を駆動するかを決定するのを難しくする。 我々は、データの可用性、評価厳密性、一般化、効率的な適応、および実世界の展開を改善するためのオープンな方向を特定し、現在のWFMの展望を理解するための統一的なフレームワークと、将来の物理層無線システムのためのより再利用可能な基盤モデルを開発するための要件を提供する。

関連論文リスト

• Cross-View Feature Matching: Survey, Benchmarking, and Foundation-Model Perspectives [74.46417373478194]
  クロスビュー特徴マッチングは、大きな視点変化を持つ画像間の信頼性の高い対応を確立することを目的としている。 過去10年間で、この分野はタスク固有のモデルから、ますます統一され、一般化可能な対応モデルへと発展してきた。 これらの進歩にもかかわらず、既存の研究は問題定式化、モデルアーキテクチャ、訓練パラダイム、評価プロトコルにおいて非常に多様である。
  論文  参考訳（メタデータ） (2026-08-11T16:00:40Z)
• A Comprehensive Survey of Wireless Foundation Models for AI-Native 6G Networks [5.080645187815144]
  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。
  論文  参考訳（メタデータ） (2026-08-09T19:24:26Z)
• Scalable and Trustworthy Earth Observation Foundation Models [0.0]
  ファンデーションモデル(FM)は、機械学習を独立したタスク固有モデルから、幅広いデータに基づいて事前訓練された汎用モデルに変換した。 この章は、リモートセンシング(RS)におけるFMのパラダイムを定義し、現在のモデルランドスケープを合成する。 この章は、単一の地理空間基盤モデルが普遍的に最良のものではないことを示す最近のベンチマークエビデンスも含んでいる。
  論文  参考訳（メタデータ） (2026-07-08T14:31:02Z)
• 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)
• Survey of Multimodal Geospatial Foundation Models: Techniques, Applications, and Challenges [54.669838624278924]
  基礎モデルは自然言語処理とコンピュータビジョンに変化をもたらした。 強力な一般化と伝達学習機能により、リモートセンシングデータのマルチモーダル、マルチレゾリューション、マルチ時間特性と自然に一致させる。 この調査は、モーダリティ駆動の観点から、マルチモーダルGFMの包括的なレビューを提供する。
  論文  参考訳（メタデータ） (2025-10-27T03:40:00Z)
• Anomaly Detection and Generation with Diffusion Models: A Survey [51.61574868316922]
  異常検出(AD)は、サイバーセキュリティ、金融、医療、工業製造など、さまざまな分野において重要な役割を担っている。 近年のディープラーニング,特に拡散モデル(DM)の進歩は,大きな関心を集めている。 この調査は、研究者や実践者が様々なアプリケーションにまたがる革新的なADソリューションにDMを利用することをガイドすることを目的としている。
  論文  参考訳（メタデータ） (2025-06-11T03:29:18Z)
• Neural Network Reprogrammability: A Unified Theme on Model Reprogramming, Prompt Tuning, and Prompt Instruction [57.19302613163439]
  モデル適応のための統一フレームワークとして,ニューラルネットワークの再プログラム可能性を導入する。 本稿では,4つの重要な側面にまたがる情報操作アプローチを分類する分類法を提案する。 残る技術的課題や倫理的考察も分析する。
  論文  参考訳（メタデータ） (2025-06-05T05:42:27Z)
• Graph Foundation Models: A Comprehensive Survey [66.74249119139661]
  Graph Foundation Models (GFMs)は、構造化データにスケーラブルで汎用的なインテリジェンスを提供することを目指している。 この調査は、GFMの概要を包括的に提供し、モジュラーフレームワークの下での多様な取り組みを統合する。 GFMは構造化データに対するオープンエンド推論の基盤となる。
  論文  参考訳（メタデータ） (2025-05-21T05:08:00Z)
• Learning from models beyond fine-tuning [78.20895343699658]
  Learn From Model (LFM) は、モデルインターフェースに基づいた基礎モデル(FM)の研究、修正、設計に焦点を当てている。 LFM技術の研究は、モデルチューニング、モデル蒸留、モデル再利用、メタラーニング、モデル編集の5つの分野に大別できる。 本稿では, LFM の観点から, FM に基づく現在の手法を概観する。
  論文  参考訳（メタデータ） (2023-10-12T10:20:36Z)

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。