PyTorchKR Papers

최신 논문

총 6편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2607.09798v1cs.LG

AI 네이티브 6G를 위한 JEPA: 예측적 표현과 미해결 과제

JEPA for AI-Native 6G: Predictive Representations and Open Challenges

6세대(6G) 네트워크는 학습 모듈이 무선 접속 네트워크(RAN), 에지, 코어 전반에 임베딩되는 AI 네이티브 운용 방식으로 이행하고 있다. 이러한 전환은 제한된 레이블, 이종(heterogeneous) 무선 및 네트워크 데이터, 부분 관측, 비정상(non-stationary) 전파, 지연 제약 제어 루프로부터의 학습을 필요로 한다. 결합 임베딩 예측 아키텍처(JEPA)는 원시 측정값을 재구성하거나 대조적 부정 샘플을 사용하는 대신 잠재 공간에서 누락되거나 미래의 표현을 예측하기 때문에 이러한 환경에 적합한 유망한 자기지도(self-supervised) 패러다임이다. 본 논문은 6G 인텔리전스를 위한 JEPA의 무선 지향 튜토리얼을 제시한다. JEPA 학습 메커니즘을 정의하고, CSI(채널 상태 정보), 빔 측정값, KPI, 토폴로지 그래프, 센싱 관측값을 토큰화 및 마스킹하는 방법을 설명하며, 학습된 인코더를 RAN, O-RAN, 에지, 코어 기능을 위한 예측적 표현 층으로 위치시키고 태스크별 헤드 또는 컨트롤러가 최종 결정을 생성하도록 한다. 이어서, 자기지도 사전학습 중 무선 인식 목표—구체적으로 보조적 미래 빔 에너지 목표—가 지도 학습 소스 도메인 대비 분포 이동된 배포 환경에서 레이블 효율성과 견고성을 향상시킬 수 있음을 시사하는 예시적 빔 관리 사례 연구를 제시한다. 마지막으로, 다중 시간 스케일 예측, 행동 조건부 모델링, 분산 학습, 신뢰성, 효율적 배포, 벤치마킹, 표준화에 관한 미해결 과제를 제시한다.

arXiv:2606.31334v1cs.AI

Optimization Algorithms for Joint OFDM Waveform Design and RIS Configuration in 6G Networks: From Convex Relaxation to Foundation Models

6G 네트워크에서 OFDM과 재구성 가능 지능형 표면(RIS)을 결합 최적화하는 문제를 다룬 서베이로, 2021~2026년 발표된 78편의 연구를 볼록 완화(convex relaxation), 휴리스틱 탐색, 심층 강화학습, 파운데이션 모델(FM)·확산 생성 AI·양자 최적화 등 4가지 패러다임으로 분류한다. ML 기반 방법(패러다임 III)이 모델 기반 대비 95~99%의 주파수 효율을 유지하면서 추론 속도를 최대 10⁴배 단축함을 문헌 종합으로 보여주며, 표준화된 벤치마크 부재 등 6가지 미해결 과제를 제시한다.

arXiv:2606.31303v1eess.SP

Minimizing Quantized Semantic Age of Information (QSAoI) in Foundation Model-Based Semantic Communications

6G 시맨틱 통신에서 정보의 신선도와 시맨틱 정확도를 동시에 포착하는 새로운 지표인 QSAoI(Quantized Semantic Age of Information)를 제안하며, CLIP 기반 파운데이션 모델과 블록 단위 혼합 정밀도 양자화(MPQ) 전략을 결합한 공동 최적화 프레임워크를 통해 유한 블록길이(FBL) 환경에서 기존 기준 대비 QSAoI를 효과적으로 최소화함을 시뮬레이션으로 검증한다.

arXiv:2606.26125v1cs.NI

연합 엣지 네트워크를 위한 기하학적 공정성 인식 라우팅

Geometric Fairness-Aware Routing for Federated Edge Networks

6G·엣지 지능형 네트워크에서 집계 지연·처리량 중심의 기존 연합 라우팅이 공정성과 토폴로지 기하구조를 간과하는 한계를 다루기 위해 Geo-FairFed를 제안하며, 쌍곡 그래프 신경망(HGNN)으로 위계적·비대칭 연결을 음곡률 매니폴드에 임베딩하고 Jain 공정성 지수 기반 곡률 정규화 연합 집계로 노드 간 균형 잡힌 라우팅을 학습한다. 동적 6G-엣지 및 IoT 토폴로지 시뮬레이션에서 최첨단 연합·기하학적 라우팅 대비 평균 지연 20% 감소, 에너지 소비 17% 절감, 공정성 최대 21% 개선을 보였다.

arXiv:2606.20670v1cs.LG

CSI 네이티브 파운데이션 모델을 향하여: 6G를 위한 채널 적응형 로드맵

Towards CSI-Native Foundation Models: A Channel-Adaptive Roadmap for 6G

무선 파운데이션 모델은 6세대(6G) 시스템을 위한 재사용 가능한 채널 상태 정보(CSI) 인텔리전스로 나아가는 경로를 제공한다. 그러나 기존의 일반적인 백본 적응 및 CSI 사전학습 방법들은 CSI를 전파 조건부 채널 응답이 아닌 태스크 텐서로 처리하는 경우가 많아, 무선 환경의 본질적인 시간-주파수-공간 기하학적 특성을 포착하지 못한다. 본 논문은 CSI 네이티브 파운데이션 모델을 향한 채널 적응형 로드맵을 제시하며, 사전학습, 위치 모델링, 어텐션 제어를 세 가지 채널 요구사항인 스케일 인식 이기종 노출, 물리적 시간-주파수-안테나 좌표, 상관관계 경계 토큰 상호작용과 정렬하는 통합 프레임워크를 제안한다. 광범위한 실험을 통해 제안된 프레임워크가 세 가지 차원에서 우수성을 입증한다: 제로샷 일반화의 경우 공간-시간-주파수 태스크에서 NMSE를 4 dB 이상 감소시키고; 스케일 외삽의 경우 8배 미확인 안테나 스케일링에서 최대 5.4 dB의 이득을 제공하며; 추론 효율성의 경우 이동성 인식 처리를 최대 18.8% 가속화한다. Sionna SYS를 이용한 시스템 수준 평가에서는 제안된 프레임워크가 밀집 파일럿 오버헤드의 7.01%만 사용하고, 평균 NMSE -18.64 dB에 도달하며, 밀집 LMMSE 대비 평균 순 스펙트럼 효율을 36.6%, WiFo 대비 15.5% 향상시킴으로써, CSI 네이티브 표현 학습이 파일럿 효율적인 무선 접속을 지원할 수 있음을 나타낸다.

arXiv:2602.22277v2cs.LG

X-REFINE: 채널 추정을 위한 XAI 기반 관련성 입력 필터링 및 아키텍처 미세조정

X-REFINE: XAI-based RElevance input-Filtering and archItecture fiNe-tuning for channel Estimation

AI 네이티브 아키텍처는 6G 무선 통신에 필수적입니다. 채널 추정(channel estimation)과 같은 중요한 애플리케이션에 사용되는 심층 학습(deep learning) 모델의 블랙박스 특성과 높은 복잡성은 실제 배포를 제한합니다. 섭동 기반 설명 가능한 인공지능(XAI) 솔루션은 입력 필터링을 제공하지만, 내부 구조 최적화는 간과하는 경우가 많습니다. 우리는 입력 필터링과 아키텍처 미세조정(fine-tuning)을 통합한 XAI 기반 프레임워크인 X-REFINE을 제안합니다. 분해 기반의 부호 안정화된 LRP 엡실론 규칙을 활용하여, X-REFINE은 예측을 역전파(backpropagate)하고 부반송파(subcarriers)와 은닉 뉴런(hidden neurons) 모두에 대해 고해상도 관련성(relevance) 점수를 도출합니다. 이를 통해 가장 신뢰할 수 있는 모델 구성 요소를 식별하는 신뢰할 수 있는 최적화가 가능해집니다. 시뮬레이션 결과, X-REFINE은 외부 섭동 기반 XAI 프레임워크와 비교하여 우수한 성능-복잡도-해석 가능성 트레이드오프를 달성하며, 견고한 비트 오류율(BER) 성능을 유지하면서 계산 복잡도를 크게 줄이는 것으로 나타났습니다.