論文の概要: Digital Self-Interference Cancellation for In-Band Full-Duplex Systems Based on Transformer Neural Operators

• arxiv url: http://arxiv.org/abs/2610.19490v1
• Date: Wed, 14 Oct 2026 03:11:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.930359
• Title: Digital Self-Interference Cancellation for In-Band Full-Duplex Systems Based on Transformer Neural Operators
• Title（参考訳）: 変圧器ニューラル演算子を用いたインバンドフルダブルプレックスシステムのディジタル自己干渉キャンセラ
• Abstract要約: 本稿では,デジタルドメインの自己干渉キャンセル問題学習を改訂する。 トランスフォーマーニューラル演算子は、このフレームワークを実現するために使用される。 30dBのSIRにおいて,提案手法は従来手法よりも5～15dBのキャンセル性能を向上する。
• 参考スコア（独自算出の注目度）: 5.279418757502786
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Digital-domain self-interference cancellation is essential in in-band full-duplex radios after passive suppression and analog cancellation. It is particularly challenging when the desired signal is strong relative to the residual self-interference. In this regime, conventional iterative digital cancellers update their coefficients from desired-signal-contaminated received samples and may suffer substantial performance degradation. This paper reformulates digital-domain self-interference cancellation as an operator-learning problem. The proposed framework learns the temporal evolution of the residual self-interference channel from historical observations and uses the learned operator together with the known local transmit signal to reconstruct the current residual self-interference. A Transformer neural operator is used to realize this framework. The resulting method is trained in a desired-signal-free setting and then applied in the presence of a desired signal. A continuity-based analysis characterizes the sensitivity of the learned operator to the resulting input perturbation. Numerical experiments in static and time-varying channels, including time-varying SIR conditions, demonstrate stable cancellation performance over a wide range of interference levels. At 30 dB SIR, the proposed method improves the cancellation performance by 5--15 dB over the considered conventional methods.
• Abstract（参考訳）: デジタルドメイン自己干渉キャンセルは、受動的抑圧とアナログキャンセル後のバンド内全二重無線において必須である。 所望の信号が残余の自己干渉に対して強い場合、特に困難である。 この体制では、従来の反復型デジタルキャンセラは、所望の信号汚染された受信サンプルから係数を更新し、大幅な性能劣化を被る可能性がある。 本稿では,デジタルドメインによる自己干渉キャンセルを演算子学習問題として再検討する。 提案フレームワークは,残余自己干渉チャネルの時間的進化を歴史的観測から学習し,学習した演算子と既知の局所的伝達信号を用いて現在の残余自己干渉を再構築する。 トランスフォーマーニューラル演算子は、このフレームワークを実現するために使用される。 得られた方法は、所望の信号のない設定で訓練され、所望の信号の存在下で適用される。 連続性に基づく解析は、学習した演算子の入力摂動に対する感度を特徴付ける。 時変SIR条件を含む静的および時変チャネルにおける数値実験は、幅広い干渉レベルに対して安定したキャンセル性能を示す。 30dBのSIRにおいて,提案手法は従来手法よりも5～15dBのキャンセル性能を向上する。

関連論文リスト

• Clearing the Underbrush: AI-Enhanced RF Interference Suppression [2.3977391435533373]
  この作業は、Finite Scalar Quantization(FSQ)トークンライザレイヤを追加することで、従来のAI対応アプローチに基づいている。 我々は、音声品質の知覚評価(PESQ)のような音声メトリクスによるAI対応アプローチの利点を実証する。
  論文  参考訳（メタデータ） (2026-08-25T14:55:46Z)
• Transfer Learning-Enabled Distortion Compensation for Amplitude-Phase-Time Block Modulation-Based Nonlinear Single-Carrier Wireless Communications [24.464593319559977]
  振幅位相時間ブロック変調(APTBM)に基づく非線形単キャリア伝送のための完全ディジタルトランスシーバ協調手法を提案する。 送信機では、繰り返しクリッピングとフィルタリング(ICAF)と静的ディジタル事前歪み(SDPD)が協調して動作し、信号ピークの低減とスペクトルの増大を抑制する。 提案手法はオンライントレーニング時間と計算オーバーヘッドを大幅に削減し,従来の学習ベースDPoD方式と比較して2dB以上の性能向上を実現した。
  論文  参考訳（メタデータ） (2026-08-09T07:55:23Z)
• Brownian Bridge Diffusion-Based Joint Channel Estimation and Data Detection for Jamming-Resilient Receivers [3.345509666533605]
  次世代無線ネットワークでは、デバイス密度と限られたスペクトル資源の増大が深刻な障害を引き起こす。 既存のスキームは、しばしばこのような妨害的な汚染と戦う効果的な枠組みを欠いているため、信頼できる送信を保証できない。 そこで本稿では, ブロニアン橋の拡散に基づく連成チャネル推定と, ジャミング・レジリエント受信機のためのデータ検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-06-27T07:13:45Z)
• SATB-VR: Training Few-Step Video Restoration Diffusion Model using SNR-Aware Trajectory Blending [55.764018145256216]
  本稿では,補助予測器を介してデノナイジングプロセスを開始する数ステップのパラダイムであるSATB-VRを提案する。 我々は,SATB-VRが,合成,実世界,AIGCベンチマークにおける既存のアプローチに対して良好に動作することを示す。
  論文  参考訳（メタデータ） (2026-06-27T01:32:16Z)
• Clipping Bottleneck: Stabilizing RLVR via Stochastic Recovery of Near-Boundary Signals [83.0127582612634]
  Near-boundary Rescue (NSR) は最小限のプラグ・アンド・プレイの修正であり、失った信号を回復するために、アウト・オブ・バウンドトークンを保持する。 NSRはトレーニングの安定性を大幅に改善し、DAPOやGSPOといった強力なベースライン上で一貫したゲインを提供する。
  論文  参考訳（メタデータ） (2026-05-21T16:45:31Z)
• Discrete-Space Generative AI Pipeline for Semantic Transmission of Signals [0.2291770711277359]
  Discernmentは、GenAIモデルを使用して技術チャネル上で物理信号(ベースバンド無線とオーディオ)の意味を伝達するセマンティック通信システムである。 チャネル容量が著しく低下しても,ディスクナーメントはセマンティックな整合性を維持していることを示す。
  論文  参考訳（メタデータ） (2026-02-14T02:11:46Z)
• Verifying Closed-Loop Contractivity of Learning-Based Controllers via Partitioning [52.23804865017831]
  本稿では,ニューラルネットワークによるパラメータ化を行う非線形制御系における閉ループ収縮の検証問題に対処する。 我々は、対称メッツラー行列の優越的固有値が非正であることを確かめるために、閉ループの縮約性に対するトラクタブルでスケーラブルな十分条件を導出する。
  論文  参考訳（メタデータ） (2025-12-01T23:06:56Z)
• ICDM: Interference Cancellation Diffusion Models for Wireless Semantic Communications [44.4264571083793]
  拡散モデル(DM)は近年,無線通信システムにおいてデノナイジング能力によって大きな成功を収めている。 このことは、DMが無線セマンティック通信システムにおける干渉を効果的に軽減できるかどうかという問題を提起する。 本稿では、干渉キャンセル問題を信号と干渉の結合後確率に対する最大後続(MAP)問題としてモデル化し、その解が信号と干渉に対して優れた推定値を提供することを理論的に証明する。
  論文  参考訳（メタデータ） (2025-05-26T13:41:52Z)
• Data-Driven Blind Synchronization and Interference Rejection for Digital Communication Signals [98.95383921866096]
  本研究では,データ駆動型深層学習手法の可能性について検討した。 本研究では,高分解能時間構造(非定常性)の取得が性能向上につながることを示す。 既製のNNと古典的検出と干渉除去の両方で改善可能なドメインインフォームドニューラルネットワーク(NN)の設計を提案する。
  論文  参考訳（メタデータ） (2022-09-11T14:10:37Z)
• Disentangled Representation Learning for RF Fingerprint Extraction under Unknown Channel Statistics [77.13542705329328]
  本稿では,まず,不整合表現学習(DRL)の枠組みを提案し,入力信号を逆学習によりデバイス関連成分とデバイス関連成分に分解する。 提案フレームワークにおける暗黙的なデータ拡張は、デバイス非関連チャネル統計の過度な適合を避けるために、RFF抽出器に正規化を課す。 実験により、DR-RFFと呼ばれる提案手法は、未知の複雑な伝播環境に対する一般化可能性の観点から従来の手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2022-08-04T15:46:48Z)
• Model-based Deep Learning Receiver Design for Rate-Splitting Multiple Access [65.21117658030235]
  本研究では,モデルベース深層学習(MBDL)に基づく実用的なRSMA受信機の設計を提案する。 MBDL受信機は、符号なしシンボル誤り率(SER)、リンクレベルシミュレーション(LLS)によるスループット性能、平均トレーニングオーバーヘッドの観点から評価される。 その結果,MBDLはCSIRが不完全なSIC受信機よりも優れていた。
  論文  参考訳（メタデータ） (2022-05-02T12:23:55Z)

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。