論文の概要: Digital Twin-Assisted Fast Beam Alignment for mmWave MIMO Networks
- arxiv url: http://arxiv.org/abs/2611.01107v1
- Date: Sat, 31 Oct 2026 16:54:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-13 07:57:04.216659
- Title: Digital Twin-Assisted Fast Beam Alignment for mmWave MIMO Networks
- Title(参考訳): mmウェーブMIMOネットワークのためのディジタルツインアシスト高速ビームアライメント
- Abstract要約: ミリ波(mmWave)通信は、初期アクセスのために指向性ビームスイーピングに依存している。
機械学習に基づくビーム予測は、このオーバーヘッドを減らすことができるが、その効果は、デプロイメント環境を正確に反映するトレーニングデータに依存する。
本稿では,デジタル・ツイン支援予測,地域別ローカライゼーション,重み付きアンサンブル学習,説明可能性駆動型ビームプルーニングを統合した遅延対応ビーム管理アーキテクチャを提案する。
- 参考スコア(独自算出の注目度): 1.6198652072892246
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Millimeter-wave (mmWave) communication relies on directional beam sweeping for initial access, which incurs substantial latency and signaling overhead as antenna arrays grow large and deployments become denser. Machine-learning-based beam prediction can reduce this overhead, but its effectiveness depends on training data that accurately reflects the deployment environment, a requirement that is difficult to meet in practice. This paper presents a latency-aware beam management architecture that integrates digital-twin-assisted prediction, regionbased localization, weighted ensemble learning, and explainability-driven beam pruning into a unified framework. A digital twin (DT) generates site-specific ray-traced channel knowledge offline, enabling environment-aware beam prediction without exhaustive real-world measurements and supporting both initial access and beam tracking. The proposed ensemble learning scheme combines a base classifier and a specialist classifier through reliability-weighted fusion to improve prediction accuracy and robustness, while explainable artificial intelligence (XAI)-based attribution pruning reduces the beam codebook to a small subset of the most informative beams for beam allocation. To capture the distributional mismatch between the DT and real-world environments: the network was trained on imperfect digital-twin data but evaluated on real-world surrobase data. Results show that the proposed method achieves 96.80% top-1 and 98.36% top-3 beam prediction accuracy, while reducing over-the-air sounding overhead by nearly an order of magnitude relative to exhaustive sweeping, outperforming convolutional and deep neural network baselines from prior work.
- Abstract(参考訳): ミリ波(mmWave)通信は、アンテナアレイが大きくなり、展開がより密になるにつれて、相当な遅延と信号のオーバーヘッドを引き起こす、初期アクセスのための指向性ビームスイーピングに依存している。
機械学習に基づくビーム予測は、このオーバーヘッドを減らすことができるが、その効果は、実際に達成が困難であるデプロイメント環境を正確に反映するトレーニングデータに依存する。
本稿では,デジタル・ツイン支援予測,地域型ローカライゼーション,重み付きアンサンブル学習,説明可能性駆動型ビームプルーニングを統合フレームワークに統合した遅延対応ビーム管理アーキテクチャを提案する。
デジタルツイン(DT)は、サイト固有のレイトレーシングチャネルの知識をオフラインで生成し、実世界を完全に測定することなく環境に配慮したビーム予測を可能にし、初期アクセスとビームトラッキングの両方をサポートする。
提案したアンサンブル学習スキームは,信頼性重み付き融合によるベース分類器とスペシャリスト分類器を組み合わせて予測精度とロバスト性を向上させるとともに,説明可能な人工知能(XAI)による属性解析により,ビームアロケーションのための最も情報性の高いビームの小さなサブセットにビームコードブックを還元する。
DTと実世界の環境間の分布ミスマッチを捉えるため、ネットワークは不完全なデジタル双対データに基づいて訓練されたが、実世界のサロベースデータに基づいて評価された。
その結果, 提案手法は, 既往の作業から, 網羅的, 畳み込み, ディープニューラルネットワークのベースラインをほぼ一桁のオーバ・ザ・エアのオーバヘッドを低減し, 96.80%, トップ3ビーム予測精度98.36%を実現していることがわかった。
関連論文リスト
- Wireless Traffic Prediction with Large Language Model [54.07581399989292]
TIDESは、無線トラフィック予測のための空間時間相関をキャプチャする新しいフレームワークである。
TIDESは過剰なトレーニングオーバーヘッドを発生させることなく、ドメイン固有のパターンへの効率的な適応を実現する。
この結果から,将来の6Gシステムにおいて,空間認識をLCMベースの予測器に統合することが,スケーラブルでインテリジェントなネットワーク管理の鍵であることが示唆された。
論文 参考訳(メタデータ) (2025-12-19T04:47:40Z) - Digital Twin-Assisted Explainable AI for Robust Beam Prediction in mmWave MIMO Systems [18.49800990388549]
本稿では,mmWaveシステムのための頑健で説明可能な深層学習(DL)ベースのビームアライメントエンジンを提案する。
このフレームワークは、現実世界のデータ要求を70%減らし、ビームトレーニングのオーバーヘッドを62%減らし、異常検出を最大8.5倍改善する。
実験結果から,提案フレームワークは実世界のデータ要求を70%削減し,ビームトレーニングのオーバーヘッドを62%削減し,異常検出を最大8.5倍改善した。
論文 参考訳(メタデータ) (2025-07-12T09:56:20Z) - Resource-Efficient Beam Prediction in mmWave Communications with Multimodal Realistic Simulation Framework [57.994965436344195]
ビームフォーミングは、方向と強度を最適化して信号伝送を改善するミリ波通信において重要な技術である。
マルチモーダルセンシング支援ビーム予測は,ユーザ位置やネットワーク条件を予測するために,さまざまなセンサデータを使用して注目されている。
その有望な可能性にもかかわらず、マルチモーダルセンシング支援ビーム予測の採用は、高い計算複雑性、高いコスト、限られたデータセットによって妨げられている。
論文 参考訳(メタデータ) (2025-04-07T15:38:25Z) - Explainable and Robust Millimeter Wave Beam Alignment for AI-Native 6G Networks [18.49800990388549]
本稿では,ミリ波マルチインプット多重出力(MIMO)システムのための,頑健な深層学習(DL)ベースのビームアライメントエンジン(BAE)を開発した。
CNNベースのBAEは、受信信号強度指標(RSSI)をワイドビームのセット上で測定し、UE毎に最適な狭ビームを正確に予測する。
提案するフレームワークは、検出の堅牢性を最大5倍改善し、ビーム予測決定に関するより明確な洞察を提供する。
論文 参考訳(メタデータ) (2025-01-23T09:47:54Z) - Semi-Federated Learning: Convergence Analysis and Optimization of A
Hybrid Learning Framework [70.83511997272457]
本稿では,ベースステーション(BS)とデバイスの両方を活用するセミフェデレーション学習(SemiFL)パラダイムを提案し,中央集権学習(CL)とFLのハイブリッド実装を提案する。
我々はこの難解な問題を解くための2段階のアルゴリズムを提案し、ビームフォーマに閉形式解を提供する。
論文 参考訳(メタデータ) (2023-10-04T03:32:39Z) - SPOT: Scalable 3D Pre-training via Occupancy Prediction for Learning Transferable 3D Representations [76.45009891152178]
トレーニング-ファインタニングアプローチは、さまざまな下流データセットとタスクをまたいだトレーニング済みのバックボーンを微調整することで、ラベル付けの負担を軽減することができる。
本稿では, 一般表現学習が, 占領予測のタスクを通じて達成できることを, 初めて示す。
本研究は,LiDAR 点の理解を促進するとともに,LiDAR の事前訓練における今後の進歩の道を開くことを目的とする。
論文 参考訳(メタデータ) (2023-09-19T11:13:01Z) - Deep Learning and Image Super-Resolution-Guided Beam and Power
Allocation for mmWave Networks [80.37827344656048]
我々は,ミリ波(mmWave)ネットワークのためのディープラーニング(DL)誘導ハイブリッドビームとパワーアロケーションアプローチを開発した。
教師付き学習と超解像技術の相乗効果を利用して、低オーバヘッドビームとパワーアロケーションを実現する。
論文 参考訳(メタデータ) (2023-05-08T05:40:54Z) - Fast Beam Alignment via Pure Exploration in Multi-armed Bandits [91.11360914335384]
我々は,ミリ波通信におけるBAレイテンシを低減するために,帯域幅に基づく高速BAアルゴリズムを開発した。
我々のアルゴリズムは2相ヘテロセダスティックトラック・アンド・ストップ (2PHT&S) と呼ばれる。
論文 参考訳(メタデータ) (2022-10-23T05:57:39Z) - Position Aided Beam Prediction in the Real World: How Useful GPS
Locations Actually Are? [12.847571826603726]
ミリ波(mmWave)通信システムは、十分な受信信号出力を達成するために狭いビームに依存している。
本研究では、実世界の大規模データセットを用いて位置支援ビーム予測を行い、実際にどれだけのオーバーヘッドを節約できるかを正確に把握する。
論文 参考訳(メタデータ) (2022-05-18T16:39:17Z)
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。