論文の概要: PARGAR: Pilot-Aware Graph Attention for Sparse-Pilot Neural OFDM Receivers
- arxiv url: http://arxiv.org/abs/2611.06432v1
- Date: Wed, 04 Nov 2026 12:33:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-06 03:25:58.107199
- Title: PARGAR: Pilot-Aware Graph Attention for Sparse-Pilot Neural OFDM Receivers
- Title(参考訳): PARGAR:Sparse-Pilot Neural OFDM受信機のパイロット対応グラフアテンション
- Abstract要約: 本稿では,OFDMリソースグリッドをビット検出用グラフとして表すグラフアテンション型ニューラルレシーバであるtextscPARGARを提案する。
チャネルスケールのパイロットアンカールールを近似的コヒーレンス時間とコヒーレンス帯域幅に基づいて検討する。
SISOアンコード設定では、チャンネルスケールのtextscPARGAR がパイロット対応の誘導バイアスを明示的に注入し、選択したスパースパイロットシナリオで低いBERを生成する。
- 参考スコア(独自算出の注目度): 1.2132884030603328
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Reliable channel estimation and symbol detection in 5G New Radio (NR), as well as emerging 6G radio systems, rely on demodulation reference signals (DMRS). The density and placement of these pilots on the orthogonal frequency-division multiplexing (OFDM) time--frequency resource grid affect both receiver reliability and spectral efficiency. Sparse DMRS layouts increase the time--frequency distance between pilot observations and data resource elements (REs), which can make pilot information harder to exploit with purely local processing. This paper proposes \textbf{PARGAR (Pilot-Aware Graph Attention Receiver)}, a graph-attention neural receiver that represents the OFDM resource grid as a graph for bit detection. The graph combines local time--frequency edges with pilot-anchor links from data REs to selected pilot REs, and we further study a channel-scaled pilot-anchor rule based on approximate coherence time and coherence bandwidth. Using Sionna-generated OFDM simulations, we evaluate \textsc{PARGAR} against DeepRx, a convolutional neural network (CNN)-based receiver, across dense, two-symbol sparse, and single-symbol sparse DMRS layouts under channel-mismatch scenarios. Under the considered SISO uncoded setup, channel-scaled \textsc{PARGAR} explicitly injects pilot-aware inductive bias and yields lower BER in selected sparse-pilot scenarios while remaining competitive under dense pilots.
- Abstract(参考訳): 5Gニューラジオ(NR)の信頼性の高いチャネル推定とシンボル検出は、新しい6Gラジオシステムと同様に、復調基準信号(DMRS)に依存している。
直交周波数分割多重化(OFDM)におけるこれらのパイロットの密度と配置は、受信者の信頼性とスペクトル効率の両方に影響する。DMRSレイアウトは、パイロット観測とデータリソース要素(RE)間の時間-周波数距離を小さくし、パイロット情報を純粋に局所的な処理で利用しにくくする。
本稿では,OFDMリソースグリッドをビット検出用グラフとして表現するグラフアテンションニューラルレシーバであるtextbf{PARGAR (Pilot-Aware Graph Attention Receiver)}を提案する。
このグラフは、ローカルな時間周波数エッジと、データREから選択されたパイロットREへのパイロットアンカーリンクを組み合わせ、さらに、近似コヒーレンス時間とコヒーレンス帯域幅に基づくチャネルスケールのパイロットアンカールールについて検討する。
Sionna生成OFDMシミュレーションを用いて、チャネルミスマッチシナリオ下での高密度、2シンボルスパース、シングルシンボルスパースDMRSレイアウトにわたって、畳み込みニューラルネットワーク(CNN)ベースの受信機であるDeepRxに対して、 \textsc{PARGAR}を評価する。
検討されたSISOアンコード設定の下で、チャネルスケールの \textsc{PARGAR} はパイロット対応誘導バイアスを明示的に注入し、選択されたスパースパイロットシナリオにおいて低いBERを出力する一方で、密集したパイロットの下で競争力を維持する。
関連論文リスト
- Environment-Aware Channel Inference via Cross-Modal Flow: From Multimodal Sensing to Wireless Channels [45.969793510760645]
この論文では、マルチモーダル観測から直接完全なCSIを推定するパイロットフリーチャネル推定について検討する。
本研究では,センサ・チャネル間マッピングをモーダル間フローマッチング問題として定式化するデータ駆動型フレームワークを開発した。
実験では,シオンナとブレンダーをベースとした手続き型データ生成装置を構築し,センシングシーンのリアルなモデリングと無線伝搬を支援する。
論文 参考訳(メタデータ) (2025-12-04T16:35:09Z) - GSpaRC: Gaussian Splatting for Real-time Reconstruction of RF Channels [18.70495617397063]
無線通信システムにおける適応ビームフォーミングおよびロバストリンクにはチャネル状態情報(CSI)が不可欠である。
本稿では1msの遅延障壁を破る最初の計算であるRFチャネルのリアルタイム再構成のためのガウススプラッティングについて述べる。
論文 参考訳(メタデータ) (2025-11-27T22:42:23Z) - Generative MIMO Beam Map Construction for Location Recovery and Beam Tracking [67.65578956523403]
本稿では,スパースチャネル状態情報(CSI)から位置ラベルを直接復元する生成フレームワークを提案する。
生のCSIを直接格納する代わりに、小型の低次元無線地図の埋め込みを学び、生成モデルを利用して高次元CSIを再構築する。
数値実験により,NLOSシナリオにおける局所化精度が30%以上向上し,20%のキャパシティゲインが得られることが示された。
論文 参考訳(メタデータ) (2025-11-21T07:25:49Z) - SparseRadNet: Sparse Perception Neural Network on Subsampled Radar Data [5.344444942640663]
レーダー生データは、しばしば過剰なノイズを含むが、レーダー点雲は限られた情報しか保持しない。
本稿では,適応的なサブサンプリング手法と,空間パターンを利用したネットワークアーキテクチャを提案する。
RADIalデータセットの実験により,SparseRadNetはオブジェクト検出における最先端(SOTA)性能を超え,自由空間セグメンテーションにおけるSOTA精度に近づいた。
論文 参考訳(メタデータ) (2024-06-15T11:26:10Z) - Fast and Accurate Cooperative Radio Map Estimation Enabled by GAN [63.90647197249949]
6G時代には、無線リソースのリアルタイムモニタリングと管理が、多様な無線アプリケーションをサポートするように求められている。
本稿では,GAN(Generative Adversarial Network)による協調的無線地図推定手法を提案する。
論文 参考訳(メタデータ) (2024-02-05T05:01:28Z) - Three-Way Deep Neural Network for Radio Frequency Map Generation and
Source Localization [67.93423427193055]
空間、時間、周波数領域にわたる無線スペクトルのモニタリングは、5Gと6G以上の通信技術において重要な特徴となる。
本稿では,空間領域全体にわたる不規則分散計測を補間するGAN(Generative Adversarial Network)機械学習モデルを提案する。
論文 参考訳(メタデータ) (2021-11-23T22:25:10Z) - Two-Timescale End-to-End Learning for Channel Acquisition and Hybrid
Precoding [94.40747235081466]
本研究では,ミリ波(mmWave)大規模マルチインプット多重出力(MIMO)システムのためのエンドツーエンドの深層学習に基づくジョイントトランスシーバ設計アルゴリズムを提案する。
我々は受信したパイロットを受信機でフィードバックビットにマッピングし、さらに送信機でハイブリッドプリコーダにフィードバックビットをマッピングするDNNアーキテクチャを開発した。
論文 参考訳(メタデータ) (2021-10-22T20:49:02Z) - Semi-Supervised Learning for Channel Charting-Aided IoT Localization in
Millimeter Wave Networks [97.66522637417636]
ミリ波ネットワークにおけるチャネルチャート(CC)支援の新たな枠組みを提案する。
特に,無線機器の3次元位置を推定するために,畳み込み型オートエンコーダモデルを提案する。
フレームワークは半教師付きフレームワークに拡張され、オートエンコーダは2つのコンポーネントに分割される。
論文 参考訳(メタデータ) (2021-08-03T14:41:38Z) - Model-Driven Deep Learning Based Channel Estimation and Feedback for
Millimeter-Wave Massive Hybrid MIMO Systems [61.78590389147475]
本稿では,ミリ波(mmWave)システムのモデル駆動深層学習(MDDL)に基づくチャネル推定とフィードバック方式を提案する。
無線周波数(RF)鎖の限られた数から高次元チャネルを推定するためのアップリンクパイロットオーバーヘッドを低減するために,位相シフトネットワークとチャネル推定器を自動エンコーダとして共同で訓練することを提案する。
MDDLに基づくチャネル推定とフィードバック方式は,最先端の手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2021-04-22T13:34:53Z) - End-to-end Learning for OFDM: From Neural Receivers to Pilotless
Communication [12.325545487629297]
周波数選択型および時間選択型フェーディングチャネル上でのエンド・ツー・エンド・ラーニングの効果について検討する。
受信機における不完全なチャネル知識により、AWGNチャネルで観測されたシェイピングゲインは消滅する。
他の2つのパフォーマンス改善源を特定します。
論文 参考訳(メタデータ) (2020-09-11T07:33:00Z)
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。