論文の概要: HELENA for 5G NR LEO NTN Channel Estimation: A Comparative Evaluation

• arxiv url: http://arxiv.org/abs/2609.14735v1
• Date: Sun, 13 Sep 2026 18:54:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:05.910808
• Title: HELENA for 5G NR LEO NTN Channel Estimation: A Comparative Evaluation
• Title（参考訳）: 5G NR LEO NTNチャネル推定のためのHELENA:比較評価
• Abstract要約: HELENAは、もともと地上チャネル用に設計されたもので、再訓練後も有効であり、高性能なプラットフォームにまたがって適していることを示す。 HELENA は 0.0595 ms 99th-percentile (P99) レイテンシを達成し、0.5 ms 予算の 88.1% を下回っている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Deep Learning (DL)-based channel estimation has shown high accuracy and low latency in terrestrial 5G NR, but Low Earth Orbit (LEO) Non-Terrestrial Networks (NTNs) introduce Doppler and synchronization impairments that may require NTN-specific architectures. We test whether High-Efficiency Learning-based channel Estimation using dual Neural Attention (HELENA), originally designed for terrestrial channels, remains effective after NTN retraining and suitable across high-performance and power-constrained inference platforms. Its unchanged architecture is trained on paired receiver-compensated (NTN-1) and residual-impaired (NTN-2) datasets and compared with eight terrestrial-origin models trained on the same NTN data and the NTN-specific MDELAN-SISO. HELENA achieves the lowest observed SNR-averaged NMSE among the DL estimators in both conditions, including 55.8-62.7% lower linear-scale NMSE than MDELAN-SISO. All DL models degrade in NTN-2, demonstrating the challenge posed by residual Doppler and its associated impairments. On an RTX PRO 4500, HELENA achieves 0.0595 ms 99th-percentile (P99) inference latency, 88.1% below the 0.5 ms budget, with lower energy than its closest attention-based competitors. On a 10 W Jetson Orin NX, it retains a favorable accuracy-energy trade-off, but no model meets the P99 budget. Thus, HELENA needs no NTN-specific redesign for the evaluated task, while embedded tail latency remains an open challenge.
• Abstract（参考訳）: 深層学習(DL)に基づくチャネル推定は、地上5G NRにおいて高い精度と低レイテンシを示しているが、低地球軌道(LEO)非地上ネットワーク(NTN)では、NTN固有のアーキテクチャを必要とするドップラーと同期障害が導入されている。 我々は、元来、地上チャネル用に設計されたデュアルニューラルアテンション(HELENA)を用いた高能率学習に基づくチャネル推定がNTNの再訓練後に有効かどうかを検証し、高性能かつ電力制約のある推論プラットフォームに適合するかどうかを検証した。 その変化しないアーキテクチャは、ペア化された受信機補償(NTN-1)と残差補償(NTN-2)データセットで訓練され、同じNTNデータとNTN固有のMDELAN-SISOで訓練された8つの地上オリジンモデルと比較される。 HELENAは、MDELAN-SISOよりも55.8-62.7%低い線形スケールのNMSEを含む、両方の条件でDL推定装置の中で観測されたSNR平均のNMSEを達成している。 全てのDLモデルはNTN-2で劣化し、残存ドップラーとその関連障害によって引き起こされる課題を示す。 RTX PRO 4500 では、HELENA は 0.0595 ms 99th Percentile (P99) の推論遅延を達成し、0.5 ms の予算を88.1%下回った。 10Wジェットソン・オリンのNXでは、良好な精度とエネルギーのトレードオフを保っているが、P99の予算を満たすモデルはない。 したがって、HELENAはNTN固有のタスクを再設計する必要はなく、組み込みテールレイテンシはオープンな課題である。

関連論文リスト

• Burst Spiking Neural Networks [48.73525332410879]
  スパイキングニューラルネットワーク(SNN)は、ニューラルネットワーク(ANN)の低消費電力代替を目指す 既存のSNNメソッドは堅牢性を損なう。 本稿では,Burst-enhanced Spiking Neurons (BSN) と Dynamic Weight Constraint (DWC) を用いたBurst Spiking Neural Networks (BuSNN) を提案する。
  論文  参考訳（メタデータ） (2026-07-05T09:27:17Z)
• EdgeSpike: Spiking Neural Networks for Low-Power Autonomous Sensing in Edge IoT Architectures [0.0]
  EdgeSpikeは、エッジモノのインターネット(IoT)アーキテクチャにおける自律的低電力センシングのための、共同設計のスパイクニューラルネットワーク(SNN)フレームワークである。 ハイブリッドなサロゲートグレートとダイレクトエンコーディングのトレーニングパイプライン、ハードウェア対応のニューラルアーキテクチャサーチ、イベント駆動ランタイムを統一する。 強力なINT8畳み込みニューラルネットワーク(CNN)ベースラインの1.2ポイント(pp)以内の平均分類精度は91.4%である。
  論文  参考訳（メタデータ） (2026-04-29T05:15:28Z)
• Indoor Occupancy Classification using a Compact Hybrid Quantum-Classical Model Enabled by a Physics-Informed Radar Digital Twin [0.7465215281872721]
  この研究は、プライバシー保護レーダー占有センシングにおけるハイブリッド量子モデルのための厳密なベースラインを確立する。 2ビットのHQNNは60GHzのデジタルツインと実際のレーダー計測を用いて畳み込みニューラルネットワーク(CNN)に対してベンチマークされる。 クリーンな条件下では、HQNNは最大170倍のパラメータ(0.066M)で高い精度(99.7%合成、97.0%実数)を達成する。
  論文  参考訳（メタデータ） (2026-01-17T06:27:48Z)
• Physics-informed GNN for medium-high voltage AC power flow with edge-aware attention and line search correction operator [7.927606793404479]
  物理インフォームドグラフニューラルネットワーク(PIGNN)は高速な交流電力フロー解法として登場した。 PIGNN-Attn-LSは電圧0.00033 p.uのRMSE、角度0.08$circ$のRMSEを達成し、それぞれPIGNN-MLPベースラインの99.5%と87.1%を上回っている。
  論文  参考訳（メタデータ） (2025-09-26T15:09:26Z)
• HELENA: High-Efficiency Learning-based channel Estimation using dual Neural Attention [0.0]
  HELENAは、軽量な畳み込みバックボーンと2つの効率的な注意機構を組み合わせた、コンパクトなディープラーニングモデルである。 HELENAは推論時間を45.0%削減する(0.175,ms対0.318,ms)
  論文  参考訳（メタデータ） (2025-06-16T12:21:27Z)
• A Hybrid ANN-SNN Architecture for Low-Power and Low-Latency Visual Perception [27.144985031646932]
  Spiking Neural Networks(SNN)は、バイオインスパイアされたニューラルネットワークの一種で、エッジデバイスに低消費電力で低レイテンシな推論をもたらすことを約束する。 イベントベース2Dおよび3Dヒューマンポーズ推定の課題について,本手法では,ANNに比べて性能を4%低下させることなく,88%の消費電力を消費することを示した。
  論文  参考訳（メタデータ） (2023-03-24T17:38:45Z)
• Deep Learning-Based Synchronization for Uplink NB-IoT [72.86843435313048]
  狭帯域モノのインターネット(NB-IoT)における狭帯域物理ランダムアクセスチャネル(NPRACH)のデバイス検出と到着時刻推定のためのニューラルネットワーク(NN)に基づくアルゴリズムを提案する。 導入されたNNアーキテクチャは、残余の畳み込みネットワークと、5Gニューラジオ(5G NR)仕様のプリアンブル構造に関する知識を利用する。
  論文  参考訳（メタデータ） (2022-05-22T12:16:43Z)
• Can Deep Neural Networks be Converted to Ultra Low-Latency Spiking Neural Networks? [3.2108350580418166]
  スパイクニューラルネットワーク(SNN)は、時間とともに分散されたバイナリスパイクを介して動作する。 SNNのためのSOTAトレーニング戦略は、非スパイキングディープニューラルネットワーク(DNN)からの変換を伴う そこで本研究では,DNNと変換SNNの誤差を最小限に抑えながら,これらの分布を正確にキャプチャする新たなトレーニングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-12-22T18:47:45Z)
• ANNETTE: Accurate Neural Network Execution Time Estimation with Stacked Models [56.21470608621633]
  本稿では,アーキテクチャ検索を対象ハードウェアから切り離すための時間推定フレームワークを提案する。 提案手法は,マイクロカーネルと多層ベンチマークからモデルの集合を抽出し,マッピングとネットワーク実行時間推定のためのスタックモデルを生成する。 生成した混合モデルの推定精度と忠実度, 統計モデルとルーフラインモデル, 評価のための洗練されたルーフラインモデルを比較した。
  論文  参考訳（メタデータ） (2021-05-07T11:39:05Z)
• Deep Networks for Direction-of-Arrival Estimation in Low SNR [89.45026632977456]
  我々は,真の配列多様体行列の変異チャネルデータから学習した畳み込みニューラルネットワーク(CNN)を導入する。 我々は低SNR体制でCNNを訓練し、すべてのSNRでDoAを予測する。 私たちの堅牢なソリューションは、ワイヤレスアレイセンサーから音響マイクロフォンやソナーまで、いくつかの分野に適用できます。
  論文  参考訳（メタデータ） (2020-11-17T12:52:18Z)
• Deep Learning for Radio Resource Allocation with Diverse Quality-of-Service Requirements in 5G [53.23237216769839]
  本研究では,基地局の最適資源配分ポリシーを近似するディープラーニングフレームワークを開発する。 完全接続ニューラルネットワーク(NN)は,近似誤差とサブキャリア数の量子化誤差により,要求を完全に保証できないことがわかった。 無線チャネルの分布と無線ネットワークにおけるサービスのタイプが定常的でないことを考慮し,非定常的無線ネットワークにおけるNNの更新にディープトランスファー学習を適用した。
  論文  参考訳（メタデータ） (2020-03-29T04:48:22Z)
• Tensor-to-Vector Regression for Multi-channel Speech Enhancement based on Tensor-Train Network [53.47564132861866]
  マルチチャネル音声強調のためのテンソル-ベクトル回帰手法を提案する。 キーとなる考え方は、従来のディープニューラルネットワーク(DNN)ベースのベクトル-ベクトル回帰の定式化を、テンソル-トレインネットワーク(TTN)フレームワークで行うことである。 8チャンネル条件では、3.12のPSSQはTTNの2000万のパラメータを使用して達成されるが、6800万のパラメータを持つDNNは3.06のPSSQしか達成できない。
  論文  参考訳（メタデータ） (2020-02-03T02:58:00Z)

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。