論文の概要: Multi-Step Underwater Acoustic Channel Prediction via Dual-Domain Structure Preservation and Pretrained Transformer
- arxiv url: http://arxiv.org/abs/2611.14592v1
- Date: Tue, 10 Nov 2026 08:38:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:32.925667
- Title: Multi-Step Underwater Acoustic Channel Prediction via Dual-Domain Structure Preservation and Pretrained Transformer
- Title(参考訳): デュアルドメイン構造保存と事前拘束型変圧器によるマルチステップ水中音響流路予測
- Abstract要約: LLM4UACPは、事前訓練されたトランスフォーマーを、数ショットのマルチステップチャネル予測に適応させるフレームワークである。
凍結したバックボーンを持つ事前訓練されたトランスフォーマーは、バタフライオルソゴン微調整により、複数の将来のCIRを共同で予測する。
LLM4UACPは、それぞれ88.53%と85.15%の減少に対応する0.0411と0.0399の正規化平均二乗誤差(NMSE)を達成することを示した。
- 参考スコア(独自算出の注目度): 14.814496470358216
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate future channel state information (CSI) is essential for underwater acoustic (UWA) communication because delays associated with signal propagation, feedback, scheduling, and transceiver reconfiguration can render currently available CSI outdated. However, most existing predictors estimate only the next channel state and obtain multi-step forecasts through recursive rollout, which causes prediction errors to accumulate as the multipath structure evolves. The scarcity of sea-trial measurements further limits reliable model training. To address these challenges, we propose LLM4UACP, a dual-domain, structure-preserving framework that adapts a pretrained Transformer for few-shot multi-step UWA channel prediction. LLM4UACP extracts complementary features from the channel impulse response (CIR) and channel frequency response (CFR), aligns them through Fourier-consistent fusion, and encodes the fused representation as delay-time tokens. A pretrained Transformer with a frozen backbone is adapted through Butterfly Orthogonal Fine-tuning to jointly predict multiple future CIRs in a single forward pass, thereby avoiding the error accumulation associated with recursive prediction. Experiments on the measured SO-06 and SO-07 channels show that LLM4UACP achieves normalized mean squared error (NMSE) values of 0.0411 and 0.0399, corresponding to reductions of 88.53% and 85.15%, respectively, relative to the most recent baseline. With only 0.11M trainable parameters, LLM4UACP maintains robust performance across varying prediction horizons and observation-window lengths, limited-data settings, and cross-dataset transfer scenarios.
- Abstract(参考訳): 信号伝搬、フィードバック、スケジューリング、トランシーバ再構成に伴う遅延は、現在利用可能なCSIを時代遅れにすることができるため、水中音響(UWA)通信には正確な将来チャネル状態情報(CSI)が不可欠である。
しかし、既存の予測器の多くは次のチャネル状態のみを推定し、再帰的なロールアウトによってマルチステップ予測を得るため、マルチパス構造が進化するにつれて予測エラーが蓄積される。
海・海・海・海・海・海・海・海・海・海・海・海・海・海・海・海・海・海・海・海・海・海・海・海・海・海・海・海・海・海・海・海・海・海・海・海・海・海・海・海・海・海・海・海・海・海・海・海・海・海・海・海・海・海・海・海・海・海・海・海・海・海・海
これらの課題に対処するために,複数ステップのUWAチャネル予測のために事前学習したトランスフォーマを適応させる,二重ドメイン型構造保存フレームワーク LLM4UACP を提案する。
LLM4UACPは、チャネルインパルス応答 (CIR) とチャネル周波数応答 (CFR) から相補的特徴を抽出し、それらをフーリエ整合核融合 (Fourier-Consistent fusion) を介して整列し、融合表現を遅延時間トークンとしてエンコードする。
冷凍バックボーン付き事前訓練されたトランスフォーマーは、バタフライ直交微調整により、1回の前方通過で複数の将来のCIRを共同で予測し、再帰的予測に伴うエラーの蓄積を回避する。
測定されたSO-06チャネルとSO-07チャネルの実験により、LLM4UACPは、最新のベースラインと比較してそれぞれ88.53%と85.15%の減少に対応する正規化平均二乗誤差(NMSE)の0.0411と0.0399を達成することが示された。
トレーニング可能なパラメータはわずか 0.11M であり、LLM4UACP は様々な予測水平線と観測窓の長さ、限定データ設定、データセット間の転送シナリオにまたがる堅牢な性能を維持している。
関連論文リスト
- FlowTSFM: Turning Encoder Depth into Quantile Transport [29.781238027602466]
本稿では,再帰輸送プロセスとして深度を解釈するエンコーダアーキテクチャであるFlowTSFMを紹介する。
わずか388Mのパラメータで、FlowTSFMはGIFT-EvalとTIMEの競合性能を達成している。
また、CosMeanも導入しています。これは、リカレント更新が最終予測に一貫して一致するかどうかを計測するスケールフリー診断です。
論文 参考訳(メタデータ) (2026-09-12T01:29:17Z) - S$^3$AM: A Single-Stream SAM with Reliability-Calibrated Frequency Adapter for Multi-modal Salient Object Detection [74.15663758681849]
シングルストリームフレームワークは、信頼性キャリブレーションされた周波数適応をMSOD用のSAMバックボーンに組み込む。
RGB-D、RGB-T、RGB-NIRの正当性オブジェクト検出ベンチマークの実験により、提案フレームワークが競合性能を達成することを確認した。
論文 参考訳(メタデータ) (2026-08-18T08:05:00Z) - Structure-Informed Estimation for Pilot-Limited MIMO Channels via Tensor Decomposition [51.56484100374058]
本稿では、スパース観測から低ランクテンソル完備化としてパイロットリミテッドチャネル推定を定式化する。
合成チャネル実験による最小二乗平均二乗誤差(NMSE)の最小二乗平均誤差(LS)に対する改善
DeepMIMO線トレーシングチャネルの評価では、純粋なテンソル法よりも24-44%NMSEが減少している。
論文 参考訳(メタデータ) (2026-02-03T23:38:05Z) - Learning from Scratch: Structurally-masked Transformer for Next Generation Lib-free Simulation [5.564681128355971]
本稿では,多段階データパスのパワーとタイミング予測のためのニューラルネットワークフレームワークを提案する。
私たちの知る限りでは、これは標準セル用に明示的に設計された言語ベースのネットリスト対応ニューラルネットワークとしては初めてのものです。
論文 参考訳(メタデータ) (2025-07-23T10:46:25Z) - AdaFortiTran: An Adaptive Transformer Model for Robust OFDM Channel Estimation [22.40154714677385]
本稿では,アダフォーティトラン(Adaptive Fortified Transformer, AdaFortiTran)を提案する。
AdaFortiTranは最先端モデルと比較して平均2乗誤差(MSE)を最大6dB削減する。
論文 参考訳(メタデータ) (2025-05-14T02:22:37Z) - CARD: Channel Aligned Robust Blend Transformer for Time Series
Forecasting [50.23240107430597]
本稿では,CARD(Channel Aligned Robust Blend Transformer)という特殊なトランスを設計する。
まず、CARDはチャネルに沿ったアテンション構造を導入し、信号間の時間的相関をキャプチャする。
第二に、マルチスケール知識を効率的に活用するために、異なる解像度のトークンを生成するトークンブレンドモジュールを設計する。
第3に,潜在的な過度な問題を軽減するため,時系列予測のためのロバストな損失関数を導入する。
論文 参考訳(メタデータ) (2023-05-20T05:16:31Z) - Deep Reinforcement Learning for IRS Phase Shift Design in
Spatiotemporally Correlated Environments [93.30657979626858]
本稿では,チャネル相関と目的地動きを考慮したディープアクター批判アルゴリズムを提案する。
チャネルが時間的に相関している場合、コンバージェンスを抑制する方法において、関数近似を伴う状態表現にSNRを組み込むことが示される。
論文 参考訳(メタデータ) (2022-11-02T22:07:36Z) - Predicting Multi-Antenna Frequency-Selective Channels via Meta-Learned
Linear Filters based on Long-Short Term Channel Decomposition [39.38412820403623]
我々は、転送/ミータ学習2次正規化に基づく単一アンテナ周波数平坦チャネルの予測器を開発する。
LSTDに基づく予測モデルのためのトランスファーアルゴリズムとメタラーニングアルゴリズムを導入する。
論文 参考訳(メタデータ) (2022-03-23T20:38:48Z) - End-to-End Multi-speaker Speech Recognition with Transformer [88.22355110349933]
音声認識モデルにおけるRNNベースのエンコーダデコーダをトランスフォーマーアーキテクチャに置き換える。
また、計算量を削減するために、シーケンス全体ではなくセグメントに制限されるセルフアテンションコンポーネントを変更します。
論文 参考訳(メタデータ) (2020-02-10T16:29:26Z)
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。