論文の概要: Structured Time-Frequency Representation for Channel Prediction

• arxiv url: http://arxiv.org/abs/2610.35956v1
• Date: Sun, 25 Oct 2026 03:47:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-28 21:04:31.37097
• Title: Structured Time-Frequency Representation for Channel Prediction
• Title（参考訳）: チャネル予測のための構造化時間周波数表現
• Abstract要約: 過去の UL 観測から将来の DL CSI を予測するには,関節側頭葉外挿法とクロスバンド推論が必要である。 Far-CSIは、チャネル予測のFDD対応表現を、同時時間および動作帯域の位置場内で確立する。 Far-CSIは高いCSI予測精度とMRTベースのスペクトル効率を実現する。
• 参考スコア（独自算出の注目度）: 23.327253971966243
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate CSI forecasting is essential for mitigating channel aging and supporting reliable downlink transmission in high-mobility wireless systems. In FDD systems, forecasting future DL CSI from historical UL observations requires joint temporal extrapolation and cross-band inference. However, defining historical UL as the input and future DL as the target does not specify how elapsed time and UL-to-DL band separation should be represented in a pretrained predictor's positional space. FAR-CSI establishes an FDD-aware representation of channel forecasting within a joint temporal and operating-band positional field. Within this field, historical UL observations and future DL targets occupy segregated regions according to their temporal and operating-band roles, preserving the distinction between observed UL context and unobserved DL prediction targets. This representation is instantiated through a unified structured routing rule that governs encoder positional assignment, decoder-field reconstruction, and future-DL target selection, ensuring the same FDD geometry is preserved from contextual encoding to prediction readout. Under matched backbone, initialization, and training conditions, FDD-aware routing reduces NMSE by 21.44\% relative to generic routing. Across the evaluated FDD baselines, FAR-CSI achieves higher CSI prediction accuracy and MRT-based spectral efficiency, while retaining its predictive advantage across mobility conditions, prediction horizons, reduced training-data regimes, and noisy historical observations.
• Abstract（参考訳）: CSIの正確な予測は、通信路の老朽化を緩和し、高能率無線システムにおける信頼性ダウンリンク伝送をサポートするために不可欠である。 FDDシステムでは、過去のUL観測から将来のDL CSIを予測するには、共同時間外挿とクロスバンド推論が必要である。 しかし、過去の UL を入力とし、将来の DL をターゲットとして定義することは、事前訓練された予測者の位置空間において、時間と UL-to-DL バンドの分離がどれくらい経過するかを規定しない。 FAR-CSIは、チャネル予測のFDD対応表現を、同時時間および動作帯域の位置場内で確立する。 この領域内では、観測されたULコンテキストと観測されていないDL予測ターゲットの区別を保ちながら、歴史的 UL 観測と将来の DL ターゲットは、時間的および操作バンドの役割に応じて分離された領域を占有する。 この表現は、エンコーダの位置割当、デコーダフィールド再構成、およびFuture-DLターゲット選択を管理する統一された構造化ルーティングルールによってインスタンス化され、同じFDD幾何がコンテキストエンコーディングから予測読み出しまで確実に保存される。 一致したバックボーン、初期化、トレーニング条件の下では、FDD対応ルーティングは一般的なルーティングと比較してNMSEを21.44 %削減する。 評価されたFDDベースライン全体にわたって、FAR-CSIはより高いCSI予測精度とMRTベースのスペクトル効率を実現し、移動条件、予測地平線、トレーニングデータ体制の縮小、およびノイズの多い歴史的観測の予測上の優位性を維持した。

関連論文リスト

• JEPA-kMMVAE: CSI Prediction for Time-Varying Wireless Channels [6.089826534796873]
  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。
  論文  参考訳（メタデータ） (2026-10-09T09:58:03Z)
• 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)
• Learning Hyperspherical Time-Frequency Representations for Time-Series Out-of-Distribution Detection [0.2160500132391863]
  本研究は,超球面埋め込みを用いた表現学習として時系列OOD検出を定式化する。 学習された表現は、ドメイン固有のエンコーダを介して入力信号の時間領域と周波数領域のビューを組み合わせる。 クロスデータセットプロトコルを用いて,UCRとUEAの時系列アーカイブを大規模に評価する。
  論文  参考訳（メタデータ） (2026-05-29T11:04:34Z)
• A Unified Frequency Domain Decomposition Framework for Interpretable and Robust Time Series Forecasting [81.73338008264115]
  時系列予測の現在のアプローチは、時間領域であれ周波数領域であれ、主に線形層やトランスフォーマーに基づいたディープラーニングモデルを使用する。 本稿では,多種多様な時系列を数学的に抽象化する統合周波数領域分解フレームワークFIREを提案する。 火は長期予測ベンチマークで最先端のモデルを一貫して上回る。
  論文  参考訳（メタデータ） (2025-10-11T09:59:25Z)
• EMForecaster: A Deep Learning Framework for Time Series Forecasting in Wireless Networks with Distribution-Free Uncertainty Quantification [11.88654374102813]
  我々は、textitEMForecasterと呼ばれるディープラーニング(DL)時系列予測フレームワークを開発した。 EMForecasterは、短期と長期の両方の予測地平線にまたがって、さまざまなデータセットで優れたパフォーマンスを実現している。 ポイント予測タスクでは、EMForecasterは現在の最先端のDLアプローチを大きく上回り、Transformerアーキテクチャよりも53.97%、ベースラインモデルの平均より38.44%改善している。
  論文  参考訳（メタデータ） (2025-03-31T18:10:08Z)
• 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)
• Error-quantified Conformal Inference for Time Series [55.11926160774831]
  時系列予測の不確かさの定量化は、時系列データの時間的依存と分布シフトのために困難である。 量子化損失関数をスムースにすることで,iError-quantified Conformal Inference (ECI)を提案する。 ECIは有効な誤発見制御と、他のベースラインよりも厳密な予測セットを出力することができる。
  論文  参考訳（メタデータ） (2025-02-02T15:02:36Z)
• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• Adapting to Length Shift: FlexiLength Network for Trajectory Prediction [53.637837706712794]
  軌道予測は、自律運転、ロボット工学、シーン理解など、様々な応用において重要な役割を果たしている。 既存のアプローチは主に、一般に標準入力時間を用いて、公開データセットの予測精度を高めるために、コンパクトなニューラルネットワークの開発に重点を置いている。 本稿では,様々な観測期間に対する既存の軌道予測の堅牢性を高めるための,汎用的で効果的なフレームワークFlexiLength Network(FLN)を紹介する。
  論文  参考訳（メタデータ） (2024-03-31T17:18:57Z)

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。