論文の概要: Geometric Inductive Biases for Semi-Supervised Equalization: The Constellation-Aware Transformer
- arxiv url: http://arxiv.org/abs/2609.33695v1
- Date: Sun, 27 Sep 2026 15:58:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-04 17:34:45.576252
- Title: Geometric Inductive Biases for Semi-Supervised Equalization: The Constellation-Aware Transformer
- Title（参考訳）: 半スーパービジョン等化のための幾何学的帰納的ビアーゼ:コンステレーション対応変圧器
- Abstract要約: 等化プロセスに幾何学的帰納バイアスを注入する新しいアーキテクチャであるFinite-Aware Transformer (CAT)を導入する。
CatはカスタムなTransFIRmerブロックのスタックで構成されており、受信した信号と理想的な星座シンボルを共処理するために"早期相互作用"パラダイムを使用している。
半監督的な設定では、CATはVAEや標準のTransformerベースラインよりもパイロットが少ない。
- 参考スコア（独自算出の注目度）: 11.812918062221307
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Decoding signals over unknown channels with minimal pilot overhead is a critical challenge in next-generation communications. Existing deep learning approaches typically rely on generic encoders that struggle to model long-range temporal dependencies or efficiently capture the channel's physical properties from scarce data. We argue that standard architectures suffer from agnostic estimation gaps, as they must implicitly learn the constellation geometry that is already known. We introduce the Constellation-Aware Transformer (CAT), a novel architecture that explicitly injects geometric inductive biases into the equalization process. CAT is composed of a stack of custom TransFIRmer blocks, which use an "early interaction" paradigm to co-process received signals and ideal constellation symbols. Each block features a split Feed-Forward Network that applies a Finite Impulse Response (FIR)-inspired filter for deconvolution and a parallel MLP for geometric refinement. We show that this design is structurally aligned with the optimal linear (MIMO Wiener) receiver: its attention can implement a matched-filter bank, and its bidirectional FIR branch provides the non-causal filtering that block MMSE equalization requires. In the semi-supervised setting, CAT needs fewer pilots than VAE and standard Transformer baselines: on two of our three ISI channels, it reaches a lower SER with 64 pilots than they do with 128.
- Abstract（参考訳）: パイロットオーバーヘッドが最小限である未知のチャネル上の信号の復号化は、次世代通信において重要な課題である。
既存のディープラーニングアプローチは、典型的には、長距離時間依存のモデル化に苦慮するジェネリックエンコーダや、不十分なデータからチャネルの物理的特性を効率的に捉えることに依存する。
標準アーキテクチャは、既に知られている星座の幾何学を暗黙的に学ばなければならないため、非依存的な推定ギャップに悩まされる。
等化過程に幾何学的帰納バイアスを明示的に注入する新しいアーキテクチャであるConstellation-Aware Transformer (CAT)を導入する。
CATはカスタムなTransFIRmerブロックのスタックで構成されており、受信信号と理想的なコンステレーションシンボルの共処理に"早期相互作用"パラダイムを使用している。
各ブロックは、FIR(Finite Impulse Response)にインスパイアされたデコンボリューションフィルタと、幾何学的洗練のための並列MLPを応用した分割フィードフォワードネットワークを備えている。
この設計は、最適線形(MIMO Wiener)受信機と構造的に整合していることを示し、その注意は一致フィルタバンクを実装し、その双方向FIRブランチはMMSE等化をブロックする非因果フィルタリングを提供する。
3つのISIチャンネルのうち2つでは、64人のパイロットが128人より低いSERに到達します。
関連論文リスト
- DUET -- Dual User Embedding Transformers for Offsite Conversion Prediction [8.972672149050627]
計算レコメンデーションシステムにおいて,オフサイト変換率(OCVR)予測は重要なランキング問題である。
このタスクは、クリック信号が豊富で、短い時間的水平線を示すのに対して、変換信号は本質的に疎く、長い遅延があり、しばしば未配布である。
ユーザ行動データを2つのドメインコヒーレントなストリーム – クリックと変換 – に明示的に分割するフレームワークであるDUETを提案する。
論文 参考訳（メタデータ） (2026-06-08T23:13:58Z) - EqDeepRx: Learning a Scalable MIMO Receiver [6.732584013520367]
本稿では,実践的な深層学習支援マルチインプットマルチアウトプット(MIMO)受信機であるEqDeepRxについて述べる。
レシーバモデルのコアは、各空間ストリームまたは層で独立して動作する共有重み検出NNである。
5G/6G準拠のエンドツーエンドシミュレーションでは,複数チャネルシナリオ,パイロットパターン,セル間干渉条件が改善し,スペクトル効率が向上した。
論文 参考訳（メタデータ） (2026-02-12T11:22:30Z) - Learning on the Manifold: Unlocking Standard Diffusion Transformers with Representation Encoders [48.68968421120471]
標準拡散変換器は直接表現に収束しないことを示す。
我々は幾何学的干渉を根本原因とみなす。
我々の手法RJFは、標準のDiT-Bアーキテクチャを効果的に収束させ、3.37のFIDを実現する。
論文 参考訳（メタデータ） (2026-02-10T18:58:04Z) - Joint Transmit and Pinching Beamforming for Pinching Antenna Systems (PASS): Optimization-Based or Learning-Based? [89.05848771674773]
MISO (Multiple-input Single-output) フレームワークを提案する。
それは複数の導波路で構成されており、多数の低コストアンテナ(PA)を備えている。
PAの位置は、大規模パスと空間の両方にまたがるように再構成することができる。
論文 参考訳（メタデータ） (2025-02-12T18:54:10Z) - Generative AI-Based Probabilistic Constellation Shaping With Diffusion
Models [12.218161437914118]
我々は,通信システムにおける星座記号のPHY設計のための生成AIの力を解き放つことを目的としている。
本研究では,拡散確率モデル(DDPM)のデノイズ・アンド・ジェネレート特性を確率論的星座形成に利用した。
以上の結果から,生成AIに基づくスキームは,ディープニューラルネットワーク(DNN)ベースのベンチマークや均一なシェーピングよりも優れていた。
論文 参考訳（メタデータ） (2023-11-15T20:14:21Z) - Deep Autoencoder-based Z-Interference Channels with Perfect and
Imperfect CSI [14.04355073946466]
本稿では,Z-Interference Channel (ZIC) 上でのエンド・ツー・エンド・エンド通信のためのDeep Autoencoder (DAE) ベースの構造について述べる。
提案した構造は、2つのエンコーダ/デコーダペアを共同で最適化し、干渉強度に基づいてそれらの形状を動的に適応させてビット誤り率(BER)を最小化する干渉対応コンステレーションを生成する。
DAEには、平均的な電力制約を保証し、構造が一様でない星座を生成できるように、インフェーズ/クアクラチャ相(I/Q)の電力割り当て層が導入された。
論文 参考訳（メタデータ） (2023-10-23T15:23:42Z) - Complexity Matters: Rethinking the Latent Space for Generative Modeling [65.64763873078114]
生成的モデリングにおいて、多くの成功したアプローチは、例えば安定拡散のような低次元の潜在空間を利用する。
本研究では, モデル複雑性の観点から潜在空間を再考することにより, 未探索の話題に光を当てることを目的としている。
論文 参考訳（メタデータ） (2023-07-17T07:12:29Z) - Task-Oriented Sensing, Computation, and Communication Integration for
Multi-Device Edge AI [108.08079323459822]
本稿では,AIモデルの分割推論と統合センシング通信(ISAC)を併用した,新しいマルチインテリジェントエッジ人工レイテンシ(AI)システムについて検討する。
推定精度は近似的だが抽出可能な計量、すなわち判別利得を用いて測定する。
論文 参考訳（メタデータ） (2022-07-03T06:57:07Z) - Squeezeformer: An Efficient Transformer for Automatic Speech Recognition [99.349598600887]
Conformerは、そのハイブリッドアテンション・コンボリューションアーキテクチャに基づいて、様々な下流音声タスクの事実上のバックボーンモデルである。
Squeezeformerモデルを提案する。これは、同じトレーニングスキームの下で、最先端のASRモデルよりも一貫して優れている。
論文 参考訳（メタデータ） (2022-06-02T06:06:29Z) - End-to-End Learning for Uplink MU-SIMO Joint Transmitter and
Non-Coherent Receiver Design in Fading Channels [11.182920270301304]
JTRD-Netと呼ばれる新しいエンドツーエンド学習手法が提案され、マルチユーザシングルインプットマルチ出力(MU-SIMO)ジョイントトランスミッタとフェーディングチャネルにおける非コヒーレントレシーバー設計(JTRD)をアップリンクする。
送信側は、マルチユーザー波形設計を担当する並列線形層のグループとしてモデル化されています。
非コヒーレント受信機は、マルチユーザ検出(MUD)機能を提供するために、ディープフィードフォワードニューラルネットワーク(DFNN)によって形成される。
論文 参考訳（メタデータ） (2021-05-04T02:47:59Z)
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。