論文の概要: Efficient Graph Neural Networks for Multicarrier Wideband Hybrid Beamforming Optimization

• arxiv url: http://arxiv.org/abs/2609.09708v1
• Date: Wed, 09 Sep 2026 04:47:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.902668
• Title: Efficient Graph Neural Networks for Multicarrier Wideband Hybrid Beamforming Optimization
• Title（参考訳）: マルチキャリア広帯域ハイブリッドビームフォーミング最適化のための効率的なグラフニューラルネットワーク
• Abstract要約: 6Gワイヤレス技術は、高指向性ビームフォーミングを活用して、より高周波数帯域を採用することを目指している。 各アンテナに実時間遅延フィルタを追加するような従来のソリューションは、ハードウェアスケールが要求されるため、コストを抑えることができる。 本稿では,マルチキャリアワイドバンドシステムにおけるハイブリッドビームフォーミングを最適化するために,グラフニューラルネットワーク(GNN)を用いた信号処理方式を提案する。
• 参考スコア（独自算出の注目度）: 9.582466286528458
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: 6G wireless technology is poised to adopt higher and wider frequency bands, leveraging highly directional beamforming. However, the vast bandwidths amplify the impact of beam squinting. Traditional solutions, such as adding a true-time-delay filter to each antenna, are cost-prohibitive due to the required hardware scale. This paper proposes a signal processing alternative using Graph Neural Networks (GNNs) to optimize hybrid beamforming in multicarrier wideband systems. Using a bipartite graph to represent a shared analog beamformer among multiple subcarriers, we develop three GNN structures with distinct digital beamformer representations (i) at the subcarrier nodes, (ii) at the edges, or (iii) integrating traditional singular-value decomposition solutions. By designing an efficient message-passing mechanism, these structures offer insights into the impact of different GNN designs on communication system performance and computational complexity. Extensive analysis and ablation studies show that our proposed GNN structures outperform traditional optimization methods and existing ML-based solutions. Furthermore, the proposed GNNs exhibit strong resiliency to beam squinting and better robustness against imperfect CSI than even fully digital beamforming and all existing hybrid designs. These GNNs can also be extended to multi-user scenarios and demonstrate excellent generalization capabilities, allowing trained models to adapt to diverse multicarrier and multi-user settings without retraining.
• Abstract（参考訳）: 6Gワイヤレス技術は、高指向性ビームフォーミングを活用して、より高周波数帯域を採用することを目指している。 しかし、広い帯域幅はビームスクインティングの影響を増幅する。 各アンテナに実時間遅延フィルタを追加するような従来のソリューションは、ハードウェアスケールが要求されるため、コストを抑えることができる。 本稿では,マルチキャリアワイドバンドシステムにおけるハイブリッドビームフォーミングを最適化するために,グラフニューラルネットワーク(GNN)を用いた信号処理方式を提案する。 複数のサブキャリア間の共有アナログビームフォーマを表現するために二部グラフを用いて、異なるデジタルビームフォーマ表現を持つ3つのGNN構造を開発する。 (i) サブキャリアノード。 (二)端辺、又は 三 伝統的な特異値分解解を統合すること。 効率的なメッセージパッシング機構を設計することにより、これらの構造は通信システムの性能と計算複雑性に対する異なるGNN設計の影響についての洞察を提供する。 拡張解析およびアブレーション研究により,提案したGNN構造は従来の最適化手法や既存のMLベースのソリューションよりも優れていることが示された。 さらに、提案したGNNは、完全なデジタルビームフォーミングや既存のハイブリッド設計よりも、ビームスクインティングに対する強い抵抗性と、不完全なCSIに対する堅牢性を示す。 これらのGNNは、マルチユーザシナリオにも拡張可能で、優れた一般化能力を示し、トレーニングされたモデルが再トレーニングすることなく、多様なマルチキャリアやマルチユーザ設定に適応できるようにする。

関連論文リスト

• Spectral- and Energy-efficient Multi-BS Multi-RIS Pinching-antenna Systems: A GNN-based Approach [62.31891278787162]
  本稿では,マルチベースステーション(Multi-BS)多再構成可能な知的表面(multi-RIS)補助ピンチアンテナ(PA)システムにおけるダウンリンクの協調伝送について検討する。 我々は、PA配置、RIS位相シフト、ビームフォーミング、BS-UEアソシエーションを共同最適化することで、和率(SR)とエネルギー効率(EE)問題を定式化する。 本稿では,不均一なグラフ表現と均一なグラフ表現を統合した3段階グラフニューラルネットワーク(GNN)を提案する。
  論文  参考訳（メタデータ） (2026-05-02T07:30:37Z)
• BERT4beam: Large AI Model Enabled Generalized Beamforming Optimization [77.17508487745026]
  本稿では,ビームフォーミング最適化のための大規模AIモデルについて検討する。 本稿では、BERT4エンコーダと呼ばれる変換器(BERT)からの双方向エンコーダ表現に基づく新しいフレームワークを提案する。 本フレームワークをベースとして,単一タスクとマルチタスクのビームフォーミング最適化のためのBERTベースの2つのアプローチを提案する。
  論文  参考訳（メタデータ） (2025-09-14T02:49:29Z)
• 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)
• FusionLLM: A Decentralized LLM Training System on Geo-distributed GPUs with Adaptive Compression [55.992528247880685]
  分散トレーニングは、システム設計と効率に関する重要な課題に直面します。 大規模深層ニューラルネットワーク(DNN)のトレーニング用に設計・実装された分散トレーニングシステムFusionLLMを提案する。 本システムと手法は,収束性を確保しつつ,ベースライン法と比較して1.45～9.39倍の高速化を実現可能であることを示す。
  論文  参考訳（メタデータ） (2024-10-16T16:13:19Z)
• T-GAE: Transferable Graph Autoencoder for Network Alignment [79.89704126746204]
  T-GAEはグラフオートエンコーダフレームワークで、GNNの転送性と安定性を活用して、再トレーニングなしに効率的なネットワークアライメントを実現する。 実験の結果、T-GAEは最先端の最適化手法と最高のGNN手法を最大38.7%、50.8%で上回っていることがわかった。
  論文  参考訳（メタデータ） (2023-10-05T02:58:29Z)
• Learning Cooperative Beamforming with Edge-Update Empowered Graph Neural Networks [29.23937571816269]
  グラフエッジ上での協調ビームフォーミングを学習するためのエッジグラフニューラルネットワーク(Edge-GNN)を提案する。 提案したEdge-GNNは、最先端の手法よりも計算時間をはるかに短くして、より高い和率を達成する。
  論文  参考訳（メタデータ） (2022-11-23T02:05:06Z)
• A Bipartite Graph Neural Network Approach for Scalable Beamforming Optimization [19.747638780327257]
  マルチユーザ・シングルインプット・シングルアウトプット(MU-MISO)システムの最適化のために,Deep Learning(DL)技術が集中的に研究されている。 本稿では,アンテナ,すなわちユーザ数に関して,ビームフォーミングネットワークのためのフレームワークを開発する。
  論文  参考訳（メタデータ） (2022-07-12T07:59:21Z)
• Interpreting and Unifying Graph Neural Networks with An Optimization Framework [47.44773358082203]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データ学習に大きな注目を集めている。 本稿では,異なる伝搬機構と統一最適化問題との驚くほどの関連性を確立する。 提案する統一最適化フレームワークは,いくつかの代表的GNN間の共通性を要約し,柔軟に新しいGNNを設計する新たな機会を開く。
  論文  参考訳（メタデータ） (2021-01-28T08:06:02Z)

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。