論文の概要: Direct Covariance-to-Beamformer Mapping for Low-Latency Hybrid ISAC Beamforming with Subsequent DoA Estimation

• arxiv url: http://arxiv.org/abs/2611.01694v1
• Date: Sun, 01 Nov 2026 08:28:56 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 20:17:13.120252
• Title: Direct Covariance-to-Beamformer Mapping for Low-Latency Hybrid ISAC Beamforming with Subsequent DoA Estimation
• Title（参考訳）: 連続DoA推定による低遅延ハイブリッドISACビームフォーミングの直接共分散-ビームフォーママッピング
• Abstract要約: このレターでは、ニューラル行列を直接ハイブリッドビームフォーマーにマッピングするビームフォーミングウェイト(BFDNN)ネットワークを提案する。 MUSIC、分類-DNN、回帰-DNNベースのビームパイプラインと比較すると、BFDNNは、ビーム遅延を25-30倍に低減しつつ、同等かつ高効率なスペクトル効率を生成する。
• 参考スコア（独自算出の注目度）: 1.2327864088142981
• License:
• Abstract: Integrated sensing and communication (ISAC) systems typically employ a two-stage beamforming pipeline, in which target directions are first estimated from the received covariance matrix and then used to compute the beamforming weights by solving non-convex optimization problems. Although effective, this approach introduces processing latency that can limit beam adaptation in dynamic environments. This letter proposes a beamforming deep neural network (BFDNN) for direct covariance-to-beamformer learning in ISAC systems. BFDNN is a compact regression network that maps covariance-matrix features directly to the hybrid beamforming weights produced by a hybrid ISAC beamformer, eliminating the direction-of-arrival (DoA) estimation stage during inference. Compared with MUSIC, classification-DNN, and regression-DNN based beamforming pipelines, BFDNN generates comparable beam patterns and higher effective spectral efficiencies while reducing the beamforming prediction latency by 25-30 times on the evaluated platform, demonstrating the potential of direct covariance-to-beamformer learning for low-latency ISAC beam updates. Moreover, the target directions can be inferred indirectly from the generated radiation pattern, yielding DoA accuracy competitive with that of dedicated learning-based methods in the evaluated scenario.
• Abstract（参考訳）: ISACシステムは通常、2段階のビームフォーミングパイプラインを用いており、このパイプラインはまず受信した共分散行列から目標方向を推定し、非凸最適化問題を解くことでビームフォーミング重量を計算する。 このアプローチは有効ではあるが、動的環境におけるビーム適応を制限する処理遅延を導入する。 本文では,ISACシステムにおける直接共分散-ビームフォーマ学習のためのビームフォーミングディープニューラルネットワーク(BFDNN)を提案する。 BFDNNは、共分散行列をハイブリッドISACビームフォーマによって生成されたハイブリッドビームフォーミングウェイトに直接マッピングし、推論中の方向推定(DoA)ステージを除去するコンパクト回帰ネットワークである。 MUSIC、分類-DNN、回帰-DNNベースのビームフォーミングパイプラインと比較して、BFDNNはビームフォーミング予測遅延を評価プラットフォーム上で25～30倍に低減し、低遅延ISACビーム更新のための直接共分散-ビームフォーマ学習の可能性を示す。 さらに、生成した放射パターンから目標方向を間接的に推定することができ、評価シナリオにおいて専用学習法と競合するDoA精度が得られる。

関連論文リスト

• Diffusion-APO: Trajectory-Aware Direct Preference Alignment for Video Diffusion Transformers [12.948398661304184]
  Diffusion-APOは、ビデオ拡散モデルと人間の意図を一致させる軌跡認識アルゴリズムである。 オンラインランキング、半オンラインアンカー、オフラインリファインメント、蒸留対応ドリフト補正を統合した統一かつモジュール化されたRLHFフレームワークを導入する。 本研究では,Diffusion-APOが視覚的品質と指示の基準線を一貫して上回っていることを示す。
  論文  参考訳（メタデータ） (2026-05-08T09:37:46Z)
• SENTINEL: Stagewise Integrity Verification for Pipeline Parallel Decentralized Training [54.8494905524997]
  分散トレーニングは、信頼できない、地理的に分散したノードで実行される場合、重大なセキュリティリスクをもたらす。 重複のないパイプライン並列性(PP)トレーニングの検証機構であるSENTINELを提案する。 実験では、モデル収束と性能を維持しながら、最大176人の労働者を持つ信頼できない分散環境における最大4BパラメータLSMのトレーニングを成功させた。
  論文  参考訳（メタデータ） (2026-03-03T23:51:10Z)
• ODELoRA: Training Low-Rank Adaptation by Solving Ordinary Differential Equations [54.886931928255564]
  低ランク適応(LoRA)は、深層移動学習においてパラメータ効率の高い微調整法として広く採用されている。 常微分方程式(ODE)の形でLoRA因子行列に対する新しい連続時間最適化ダイナミクスを提案する。 ODELoRAは,問題次元の異なるスケールのディープニューラルネットワークのトレーニングに不可欠な特性である,安定した特徴学習を実現する。
  論文  参考訳（メタデータ） (2026-02-07T10:19:36Z)
• RoSTE: An Efficient Quantization-Aware Supervised Fine-Tuning Approach for Large Language Models [53.571195477043496]
  本稿では,RoSTE (Rotated Straight-Through-Estimator) というアルゴリズムを提案する。 RoSTEは、量子化を意識した微調整(QA-SFT)と適応的な回転戦略を組み合わせることで、アクティベーションアウトリーを減少させる。 その結果, 予測誤差は収束重みの量子化誤差と直接比例し, 最適化された回転構成により効果的に管理できることが判明した。
  論文  参考訳（メタデータ） (2025-02-13T06:44:33Z)
• Data-Parallel Neural Network Training via Nonlinearly Preconditioned Trust-Region Method [0.0]
  我々は、ディープニューラルネットワーク(DNN)を訓練するためのAPTS(Additively Preconditioned Trust-Region Strategy)の変種を提案する。 提案手法はデータ並列手法を用いて非線形最適化戦略で使用される非線形プリコンディショナーを構築する。 MNISTとCIFAR-10データセットを用いて提案したAPTS変種の性能を示す。
  論文  参考訳（メタデータ） (2025-02-07T18:11:33Z)
• Efficient Covariance Matrix Reconstruction with Iterative Spatial Spectrum Sampling [0.0]
  繰り返し空間パワースペクトル(CMR-ISPS)を用いたロバスト適応ビームフォーミングアルゴリズムの設計手法を提案する。 提案手法は,最大エントロピーパワースペクトル関数の簡易化に基づく干渉+ノイズ共分散行列を再構成する。 The proposed CMR-ISPS beamformer can suppressr near the direction of interest signal by produced notches in the direction response of the array with enough depths。
  論文  参考訳（メタデータ） (2023-09-02T23:58:01Z)
• 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)
• Variational Linearized Laplace Approximation for Bayesian Deep Learning [11.22428369342346]
  変分スパースガウス過程(GP)を用いた線形ラプラス近似(LLA)の近似法を提案する。 本手法はGPの2つのRKHSの定式化に基づいており、予測平均として元のDNNの出力を保持する。 効率のよい最適化が可能で、結果としてトレーニングデータセットのサイズのサブ線形トレーニング時間が短縮される。
  論文  参考訳（メタデータ） (2023-02-24T10:32:30Z)
• Patch Based Transformation for Minimum Variance Beamformer Image Approximation Using Delay and Sum Pipeline [0.0]
  本研究では,空間内の固定領域に対する遅延補償無線周波数(RF)パッチをU-Netアーキテクチャによって変換するパッチレベルU-Netベースニューラルネットワークを提案する。 提案手法は、ネットワークのパラメータにおけるMVDR手法によって行われるデータ駆動重み適応を考慮に入れた、RFデータ空間の非線形変換を扱う。
  論文  参考訳（メタデータ） (2021-10-19T19:36:59Z)
• Optimization-driven Deep Reinforcement Learning for Robust Beamforming in IRS-assisted Wireless Communications [54.610318402371185]
  Intelligent Reflecting Surface (IRS)は、マルチアンテナアクセスポイント(AP)から受信機へのダウンリンク情報伝達を支援する有望な技術である。 我々は、APのアクティブビームフォーミングとIRSのパッシブビームフォーミングを共同最適化することで、APの送信電力を最小化する。 過去の経験からビームフォーミング戦略に適応できる深層強化学習(DRL)手法を提案する。
  論文  参考訳（メタデータ） (2020-05-25T01:42:55Z)

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。