Fugu-MT 論文翻訳(概要): JEPA-kMMVAE: CSI Prediction for Time-Varying Wireless Channels

論文の概要: JEPA-kMMVAE: CSI Prediction for Time-Varying Wireless Channels

arxiv url: http://arxiv.org/abs/2610.13315v1
Date: Fri, 09 Oct 2026 09:58:03 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-13 04:06:29.514694
Title: JEPA-kMMVAE: CSI Prediction for Time-Varying Wireless Channels
Title（参考訳）: JEPA-kMMVAE:時変無線チャネルのCSI予測
Abstract要約: 本稿では, ニューラルネットワークを用いたチャネル状態情報(CSI)予測を, ノイズの多い歴史的観測から検討する。我々は,共同埋め込み型予測アーキテクチャとkメモリ型マルコフ変分オートエンコーダを組み合わせたJEPA-kMMVAEを提案する。
参考スコア（独自算出の注目度）: 6.089826534796873
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This paper considers channel state information (CSI) prediction using neural networks for time-varying multi-antenna channels from noisy historical observations. The main challenge is to exploit temporal correlation while distinguishing channel evolution from observation noise. We propose JEPA-kMMVAE, which combines a joint-embedding predictive architecture with a k-memory Markov variational autoencoder to predict future CSI through temporally structured latent representations. The framework supports direct prediction and residual corrections relative to the latest latent state and noisy CSI observation. Simulation results show that the residual configuration outperforms the evaluated baselines at moderate and high input CSI signal-to-noise ratios, while sequence baselines remain more accurate under stronger noise.
Abstract（参考訳）: 本稿では, ニューラルネットワークを用いたチャネル状態情報(CSI)予測を, ノイズの多い歴史的観測から検討する。主な課題は、チャネルの進化と観測ノイズを区別しながら時間的相関を利用することである。我々は,共同埋め込み型予測アーキテクチャとkメモリ型マルコフ変分オートエンコーダを組み合わせたJEPA-kMMVAEを提案する。このフレームワークは、最新の潜伏状態とノイズの多いCSI観測に対して、直接予測と残留補正をサポートする。シミュレーションの結果、残差構成は中等度・高入力のCSI信号-雑音比で評価されたベースラインよりも優れ、一方、強い雑音下ではシーケンスベースラインはより正確であることがわかった。

関連論文リスト

SNR-Gated LSTM-Conditioned Diffusion Model for MIMO Channel Estimation [3.513570971727102]
本稿では,チャネル推定のための時系列条件付き拡散フレームワークを提案する。本研究では,長期記憶(LSTM)ネットワークで条件情報を符号化した拡散復号器を訓練する。観測精度のバランスをとるために, 学習可能なSNR式遅延核融合ショートカットを導入する。
論文参考訳（メタデータ） (2026-10-06T18:39:12Z)
T-JEPA: A Temporal Joint-Embedding Predictive Architecture for Learning Better Remote Sensing Representations [32.138976346875445]
本稿では,時間ギャップ条件付き潜時遷移を学習する時間的共同埋め込み予測アーキテクチャT-JEPAを提案する。複数の時間間隔にわたって、これらの予測的制約は観測された状態を構造化された潜在軌道に整理する。一致した事前トレーニングデータとスループットの下で、T-JEPAは静的タスクと時間的タスクの両方で転送パフォーマンスをリードする。
論文参考訳（メタデータ） (2026-10-05T03:31:44Z)
Giving Sensors a Voice: Multimodal JEPA for Semantic Time-Series Embeddings [0.43748379918040853]
チャネルレベルのテキスト記述をトランスフォーマーエンコーダに組み込んだCHARMを導入する。 ChaRMは、JEPA(Joint Embedding Predictive Architecture)と、情報的、時間的に安定した埋め込みを促進する新しい損失で訓練されている。パフォーマンスは主としてJEPAの目的と条件付けアーキテクチャによって駆動され、テキスト記述はクロスデータセットの一般化のためのチャネル識別子として機能する。
論文参考訳（メタデータ） (2026-05-29T17:48:30Z)
Monitoring Neural Training with Topology: A Footprint-Predictable Collapse Index [51.56484100374058]
我々は,MHM(Modular Morse Homology maintenance)とCI(Composite Collapse Index)を併用したオンライントポロジ対応型神経表現モニタを提案する。コンプレックスを再構築する代わりに、スパース編集を一定のスケールで適用し、離散的なモースマッチングを維持し、高速でインクリメンタルな更新をもたらす。
論文参考訳（メタデータ） (2026-04-28T19:21:21Z)
Sequence Diffusion Model for Temporal Link Prediction in Continuous-Time Dynamic Graph [5.83093727437226]
既存の時間グラフニューラルネットワークは、主に歴史的相互作用の学習表現に焦点を当てている。本稿では,動的グラフ学習を生成的認知と統合する,新しいシーケンスレベルの拡散フレームワークを提案する。我々は,時間的リンク予測タスクにおいて,このフレームワークが常に最先端のパフォーマンスを達成することを示す。
論文参考訳（メタデータ） (2026-01-30T18:02:12Z)
Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
現実の時系列では欠落値が一般的である。現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
論文参考訳（メタデータ） (2025-09-27T20:57:48Z)
Topology-Aware Conformal Prediction for Stream Networks [68.02503121089633]
本研究では,ネットワークトポロジと時間的ダイナミクスを共形予測フレームワークに統合した新しいフレームワークであるspatio-Temporal Adaptive Conformal Inference (textttCISTA)を提案する。この結果から,TextttCISTAは予測効率とカバレッジのバランスを効果的に保ち,既存のストリームネットワークの共形予測手法よりも優れていることがわかった。
論文参考訳（メタデータ） (2025-03-06T21:21:15Z)
Variational Mode-Driven Graph Convolutional Network for Spatiotemporal Traffic Forecasting [9.24965746838578]
変動モード分解(VMD)とニューラルネットワークを用いて,非定常信号を解釈可能なモードに分解するフレームワークを提案する。提案した2段階の設計は、短時間および長期の予測タスクにおいて、LargeSTデータセット上で優れた性能を示す周波数レベルの解釈性を提供しながら、大幅な精度向上をもたらす。
論文参考訳（メタデータ） (2024-08-29T01:09:30Z)
CARD: Channel Aligned Robust Blend Transformer for Time Series Forecasting [50.23240107430597]
本稿では,CARD(Channel Aligned Robust Blend Transformer)という特殊なトランスを設計する。まず、CARDはチャネルに沿ったアテンション構造を導入し、信号間の時間的相関をキャプチャする。第二に、マルチスケール知識を効率的に活用するために、異なる解像度のトークンを生成するトークンブレンドモジュールを設計する。第3に,潜在的な過度な問題を軽減するため,時系列予測のためのロバストな損失関数を導入する。
論文参考訳（メタデータ） (2023-05-20T05:16:31Z)
Deep Reinforcement Learning for IRS Phase Shift Design in Spatiotemporally Correlated Environments [93.30657979626858]
本稿では,チャネル相関と目的地動きを考慮したディープアクター批判アルゴリズムを提案する。チャネルが時間的に相関している場合、コンバージェンスを抑制する方法において、関数近似を伴う状態表現にSNRを組み込むことが示される。
論文参考訳（メタデータ） (2022-11-02T22:07:36Z)

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。