論文の概要: Mean Spatial Frequency Decoupling for Learning-Based Uplink-to-Downlink Covariance Conversion in FDD Massive MIMO

• arxiv url: http://arxiv.org/abs/2610.00596v1
• Date: Wed, 30 Sep 2026 19:00:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:23.724017
• Title: Mean Spatial Frequency Decoupling for Learning-Based Uplink-to-Downlink Covariance Conversion in FDD Massive MIMO
• Title（参考訳）: FDD重畳MIMOにおける学習に基づくアップリンク-ダウンリンク共分散変換のための平均空間周波数デカップリング
• Abstract要約: 学習ベースの手法は、一定の配列サイズまでうまく機能するが、固定されたデータセットサイズでは、アンテナの数によって精度が低下する。 本稿では,この行動の重要な原因を特定し,対処する。 UL CCMからこのランプの傾斜を別々に推定し,それを閉じた形でDLバンドにマッピングし,学習者は平均AoAにほとんど敏感な残差を残したまま残す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In frequency division duplexing (FDD) massive multiple-input multiple-output (MIMO) systems, the uplink (UL)-to-downlink (DL) channel covariance matrix (CCM) conversion problem is studied to relieve the heavy burden of DL training and feedback required for channel estimation. Learning- based methods perform well up to a certain array size, but for a fixed dataset size their accuracy deteriorates with the number of antennas, to the point where simple model-based methods outperform them. This paper identifies a key cause of this behavior and addresses it. The mean angle of arrival (AoA) induces a phase ramp along the lags of the CCM. Since the oscillation rate of this ramp grows with the number of antennas, a dataset of fixed size becomes increasingly sparse relative to the variation that must be captured. We propose estimating the slope of this ramp from the UL CCM separately and mapping it to the DL band in closed form, leaving the learner with a residual that is largely insensitive to the mean AoA, which substantially reduces the performance degradation with an increasing number of antennas. The proposed scheme, termed deramping, is a combination of pre- and post-processing steps that applies to learning-based conversion methods without altering their internal structure, as demonstrated on three structurally different learners. Simulation results show that deramping reduces the covariance estimation error of all three learners under uniform, Laplacian, and Gaussian angular power spectra,keeps the interpolation-based learners ahead of a model-based benchmark at large array sizes, and improves downlink channel estimation.
• Abstract（参考訳）: 広帯域多重出力(MIMO)システムにおいて, チャネル推定に要するDLトレーニングとフィードバックの重い負担を軽減するために, アップリンク(UL)-ダウンリンク(DL)チャネル共分散行列(CCM)変換問題について検討した。 学習ベースの手法は、一定の配列サイズまでうまく機能するが、固定されたデータセットサイズでは、その精度はアンテナの数によって低下する。 本稿では,この行動の重要な原因を特定し,対処する。 平均到着角(AoA)は、CCMのラグに沿って位相ランプを誘導する。 このランプの発振速度はアンテナ数とともに増加するので、捕獲しなければならない変動に対して、一定の大きさのデータセットはますます狭くなる。 本稿では,このランプの傾斜をUL CCMから別々に推定し,DLバンドに閉じた形状にマッピングし,学習者が平均AoAにほとんど敏感な残差を残したままにして,アンテナ数の増加による性能劣化を著しく低減する手法を提案する。 提案手法は,3つの構造的異なる学習者に対して示されるように,内部構造を変化させることなく学習に基づく変換手法に適用可能な,前処理と後処理の組み合わせである。 シミュレーション結果から,一様,ラプラシア,ガウスの角状パワースペクトルの下での3人の学習者の共分散推定誤差を減らし,モデルベースベンチマークよりも大きな配列サイズで補間ベース学習者を前倒しし,ダウンリンクチャネル推定を改善した。

関連論文リスト

• Structure-Informed Estimation for Pilot-Limited MIMO Channels via Tensor Decomposition [51.56484100374058]
  本稿では、スパース観測から低ランクテンソル完備化としてパイロットリミテッドチャネル推定を定式化する。 合成チャネル実験による最小二乗平均二乗誤差(NMSE)の最小二乗平均誤差(LS)に対する改善 DeepMIMO線トレーシングチャネルの評価では、純粋なテンソル法よりも24-44%NMSEが減少している。
  論文  参考訳（メタデータ） (2026-02-03T23:38:05Z)
• Align Your Tangent: Training Better Consistency Models via Manifold-Aligned Tangents [55.43139356528315]
  一貫性モデル(CM)は、フロー常微分方程式の軌跡に一貫性があるように訓練される。 CMは典型的には、競争力のあるサンプルの品質を得るために、大きなバッチサイズで長期のトレーニングを必要とする。 本稿では,データ多様体に向いた多様体整列接点を提供する,MFDと呼ばれる新しい損失関数を提案する。
  論文  参考訳（メタデータ） (2025-10-01T08:35:18Z)
• 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)
• Downlink Channel Covariance Matrix Estimation via Representation Learning with Graph Regularization [0.7646713951724009]
  本稿では,UL CCM を DL CCM にマッピング関数でマッピングする環境について考察する。 推定問題の解法として表現学習アルゴリズムを提案する。 提案アルゴリズムは3つの誤差指標でベンチマーク手法を超越する。
  論文  参考訳（メタデータ） (2024-07-26T16:52:30Z)
• Learning to Perform Downlink Channel Estimation in Massive MIMO Systems [72.76968022465469]
  大規模マルチインプット・マルチアウトプット(MIMO)システムにおけるダウンリンク(DL)チャネル推定について検討する。 一般的なアプローチは、チャネル硬化によって動機付けられた推定値として平均値を使用することである。 本稿では2つの新しい推定法を提案する。
  論文  参考訳（メタデータ） (2021-09-06T13:42:32Z)
• Solving Sparse Linear Inverse Problems in Communication Systems: A Deep Learning Approach With Adaptive Depth [51.40441097625201]
  疎信号回復問題に対するエンドツーエンドの訓練可能なディープラーニングアーキテクチャを提案する。 提案手法は,出力するレイヤ数を学習し,各タスクのネットワーク深さを推論フェーズで動的に調整する。
  論文  参考訳（メタデータ） (2020-10-29T06:32:53Z)

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。