概要 - 大量MIMO前処理のための適応的なユーザーごとのレート・パワートレードオフを持つ基本モデル

タイトル
大量MIMO前処理のための適応的なユーザーごとのレート・パワートレードオフを持つ基本モデル

時間
2025-07-24 17:10:06

著者
{"Jérôme Emery","Ali Hasanzadeh Karkan","Jean-François Frigon","François Leduc-Primeau"}

カテゴリ
{eess.SP,cs.AI}

リンク
http://arxiv.org/abs/2507.18587v1

PDF リンク
http://arxiv.org/pdf/2507.18587v1

概要

この論文では、エネルギー消費を最小限に抑えながらユーザーのレート要件に動的に適応するための大規模MIMO（mMIMO）前処理のための基盤モデルを提案しています。モデルはディープラーニング（DL）技術を使用して、チャネル状態情報（CSI）と前処理ベクトルの間のマッピングを学習し、従来の最適化方法に比べて計算複雑度を大幅に削減します。 提案された基盤モデルは、共有の特徴抽出器と環境特別な出力層を持つトランスフォーマー-エンコーダーアーキテクチャで構成されています。特徴抽出器はCSIの堅牢な表現を学習し、モデルが異なるデプロイメント場所で一般化できるようにします。出力層は、各環境に対して前処理行列、アンテナ選択ベクトル、パワースケーリング係数を予測します。 モデルは、エネルギー消費を最小限に抑えつつユーザーのレート要件を満たすための多目的損失関数を使用して訓練されます。訓練プロセスには、事前訓練と多目的訓練の二つのフェーズがあります。事前訓練では、モデルは総レートを最大化するように訓練され、多目的訓練では、エネルギー消費とユーザーのレート満足度のバランスを取るように学習します。 提案された基盤モデルは、ゼロショットや少数ショットの設定を含むさまざまなデプロイメントシナリオで優れた性能を示しました。総レートとエネルギー効率の面で、ゼロフォース（ZF）やウェイトド最小平均二乗誤差（WMMSE）などの従来のベースラインアルゴリズムを上回ります。また、モデルは強い一般化能力を持ち、未見のデプロイメント環境でほぼ最適な性能を達成します。 論文では、トレーニングデータが限られているという課題に対処するためにデータ拡張方法も紹介しています。この方法は、特徴抽出器の出力に対して類似度メトリックを計算することで、デプロイメント場所に似たトレーニング環境を見つけ出します。このデータ拡張技術を利用することで、最小限のトレーニングデータでモデルを効果的に新しいデプロイメント場所に適応させることができます。 結論として、提案されたmMIMO前処理のための基盤モデルは、エネルギー効率と堅牢性に優れた無線通信システムのための有望な解決策を提供します。堅牢な表現を学習し、最小限のトレーニングデータで新しいデプロイメント場所に適応できるという能力は、実際の先進的なmMIMO技術を可能にする貴重なツールとなります。


推奨論文

CIRCLEでランニング？LLMコードインタプリタのセキュリティのためのシンプルなベンチマーク

ハードラベル攻撃におけるトランスファーベースの事前知識を用いたレイサーチ手順の強化

Mix-Geneformer: 人間とマウスのscRNA-seqデータのための統一表現学習

VisionThink：強化学習を通じてスマートで効率的な視覚言語モデル

禁止パターンと植えられた色を持つエッジ色付け問題

TyDi QA-WANA: 西アと北アフリカの言語における情報探索型質問応答のための基準

MIRAGE-Bench: LLMエージェントが幻覚を見ており、どこにそれらを見つけるか

無限次元の転移確率行列の推定：一般化された階層的棒割りプロセスを用いて

Hess-MC2: ヘッシアン情報と二階提案を使用した連続モンテカルロ平方法

ThermoRL: 蛋白質変異設計のための構造意識型強化学習による熱安定性の向上