論文の概要: Beyond Channel Data: Configuration-Enriched Radio Foundation Models

• arxiv url: http://arxiv.org/abs/2610.32542v1
• Date: Fri, 23 Oct 2026 12:21:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 01:38:06.513602
• Title: Beyond Channel Data: Configuration-Enriched Radio Foundation Models
• Title（参考訳）: チャネルデータを超えて: 構成に富んだラジオファンデーションモデル
• Abstract要約: CFGに富んだ埋め込みは,ラベル不足下での下流タスクにおいて,効果的なインダクティブ先行として機能することを示す。 提案した埋め込みと生のチャネルトークンと複数のベースラインモデルを比較する。 実験結果から,提案した埋め込みはベースラインに対して一貫して優れ,かつ/または競争的であることが示された。
• 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: This paper proposes incorporating channel configuration (CFG) information into Radio Foundation Model (RFM) pre-training and demonstrates that the resulting CFG-enriched embeddings serve as effective inductive priors for downstream tasks under label scarcity. We compare the proposed embeddings with raw channel tokens and multiple baseline models, under three different data regimes, for multiple downstream tasks --- Line-of-Sight/Non-Line-of-Sight (LoS/NLoS) classification, timing advance (TA) estimation, and beam selection. Evaluation is done in both in-distribution and out-of-distribution configuration settings. Experimental outcomes show that the proposed embeddings consistently outperform and/or are competitive to the baselines, across experiments in both seen and unseen configuration scenarios.
• Abstract（参考訳）: 本稿では,無線基礎モデル (RFM) の事前学習にチャネル構成 (CFG) 情報を導入することを提案する。 提案した埋め込みを生のチャネルトークンと複数のベースラインモデルと比較し、3つの異なるデータ構造の下で、複数の下流タスク - Line-of-Sight/Non-Line-of-Sight (LoS/NLoS)分類、タイミング予測(TA)推定、ビーム選択を行う。 評価はディストリビューション設定とアウト・オブ・ディストリビューション設定の両方で行われる。 実験結果から、提案された埋め込みは、目に見える構成シナリオと目に見えない構成シナリオの両方において、一貫してパフォーマンスが良く、かつ/またはベースラインと競合していることが示された。

関連論文リスト

• CFM-Bench: A Unified Multi-Domain, Multi-Task Benchmark for Channel Foundation Models [24.36263484463555]
  報告された比較では、プレトレーニングは1つのパイプライン内のスクラッチから教師付きトレーニングよりも改善する傾向にある。 CFM-Benchは、このギャップに対処するために設計されたマルチドメイン、マルチタスクのベンチマークである。
  論文  参考訳（メタデータ） (2026-07-16T13:29:02Z)
• CRUMB: Efficient Prior Fitted Network Inference via Distributionally Matched Context Batching [1.4211459456330362]
  事前適合型ネットワーク(PFN)は、コンテキスト内学習を行う基盤モデルの有望なクラスである。 CRUMB(Clustered Retrieval using Minimized-MMD)は,テストクエリをクラスタリングする3段階推論ラッパーである。 CRUMBは、最大平均誤差を極端に最小化することにより、各クラスタに対して小さな、分散的に整合したトレーニングサブセットを選択する。
  論文  参考訳（メタデータ） (2026-06-09T22:07:04Z)
• DecepGPT: Schema-Driven Deception Detection with Multicultural Datasets and Robust Multimodal Learning [64.33887406863899]
  マルチモーダル偽装検出は、法医学とセキュリティのための聴覚的手がかりを解析することにより、偽装行動を特定することを目的としている。 既存のベンチマークでは、中間的な推論手段を使わずにバイナリラベルのみを提供する。 構造的キューレベルの記述と推論チェーンを用いた推論データセットを構築した。 1695年のサンプルでは、非実験的偽装検出データセットとしては最大である。
  論文  参考訳（メタデータ） (2026-03-25T04:06:36Z)
• Improving Channel Estimation via Multimodal Diffusion Models with Flow Matching [41.609067424764746]
  MultiCE-Flowはフローマッチングと拡散変換器(DiT)に基づくマルチモーダルチャネル推定フレームワーク 我々は、LiDAR、カメラ、位置情報をセマンティックな状態に融合させる特殊なマルチモーダル認識モジュールを設計する。 従来の拡散モデルとは異なり、ノイズからデータへの線形軌跡を学習するためにフローマッチングを用い、効率的なワンステップサンプリングを可能にした。
  論文  参考訳（メタデータ） (2026-03-13T11:26:10Z)
• Rethinking Clustered Federated Learning in NOMA Enhanced Wireless Networks [60.09912912343705]
  本研究では,新しいクラスタ化フェデレーション学習(CFL)アプローチと,非独立かつ同一に分散した(非IID)データセットを統合することのメリットについて検討する。 データ分布における非IIDの度合いを測定する一般化ギャップの詳細な理論的解析について述べる。 非IID条件によって引き起こされる課題に対処する解決策は、特性の分析によって提案される。
  論文  参考訳（メタデータ） (2024-03-05T17:49:09Z)
• CeBed: A Benchmark for Deep Data-Driven OFDM Channel Estimation [3.3295360710329738]
  いくつかのデータ駆動型OFDMチャネル推定手法を統合するベンチマークを構築するためのイニシアティブを導入する。 この研究は、研究者がデータ駆動チャネル推定アルゴリズムを評価し設計するのに役立つ包括的で統一されたフレームワークを提供する。
  論文  参考訳（メタデータ） (2023-06-23T19:55:41Z)
• MV-JAR: Masked Voxel Jigsaw and Reconstruction for LiDAR-Based Self-Supervised Pre-Training [58.07391711548269]
  Masked Voxel Jigsaw and Reconstruction (MV-JAR) method for LiDAR-based self-supervised pre-training Masked Voxel Jigsaw and Reconstruction (MV-JAR) method for LiDAR-based self-supervised pre-training
  論文  参考訳（メタデータ） (2023-03-23T17:59:02Z)
• Cross-Modal Fine-Tuning: Align then Refine [83.37294254884446]
  ORCAはクロスモーダルな微調整フレームワークであり、単一の大規模事前訓練モデルの適用範囲を様々に拡張する。 ORCAは12のモダリティから60以上のデータセットを含む3つのベンチマークで最先端の結果を得る。
  論文  参考訳（メタデータ） (2023-02-11T16:32:28Z)
• Rethinking Content and Style: Exploring Bias for Unsupervised Disentanglement [59.033559925639075]
  本研究では,異なる要因が画像再構成において重要度や人気度が異なるという仮定に基づいて,教師なしc-s異節の定式化を提案する。 モデルインダクティブバイアスは,提案したC-Sアンタングルメントモジュール(C-S DisMo)によって導入された。 いくつかの一般的なデータセットに対する実験により、我々の手法が最先端の教師なしC-Sアンタングルメントを実現することを示す。
  論文  参考訳（メタデータ） (2021-02-21T08:04:33Z)

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。