超越信道数据：融合配置信息的无线基础模型预训练

Beyond Channel Data: Configuration-Enriched Radio Foundation Models

AI 导读

该论文提出将信道配置（CFG）信息引入无线基础模型（RFM）预训练，使生成的 CFG 增强嵌入在标签稀缺的下游任务中充当有效的归纳先验。在 LoS/NLoS 分类、定时提前（TA）估计和波束选择任务上，该方法在分布内与分布外配置场景中均持续优于或媲美原始信道 token 及多个基线模型。

正文 · AI 翻译

查看 PDF HTML（实验性）

摘要：本文提出将信道配置（CFG）信息纳入无线基础模型（RFM）预训练，并证明由此得到的富含 CFG 的嵌入在标签稀缺的下游任务中可作为有效的归纳先验。我们在三种不同的数据条件下，针对多个下游任务——视距/非视距（LoS/NLoS）分类、定时提前（TA）估计和波束选择——将所提出的嵌入与原始信道 token 及多个基线模型进行比较。评估在分布内和分布外配置设置下进行。实验结果表明，在已见和未见配置场景的实验中，所提出的嵌入始终优于和/或与基线相当。

评论：	提交至 IEEE ICC 2027 进行评审
主题：	人工智能（cs.AI）；信号处理（eess.SP）
引用为：	arXiv:2610.32542 [cs.AI]
	（或 arXiv:2610.32542v1 [cs.AI] 用于此版本）
	https://doi.org/10.48550/arXiv.2610.32542 由 DataCite 颁发的 arXiv DOI（待注册）

提交历史

来自：Ranjani H. G. [查看电子邮件]
[v1] 2026年10月23日星期五 12:21:27 UTC（1,274 KB）

来源：arXiv cs.AI · arxiv.org