연합 학습(FL)은 학습(training) 과정에서 원시 데이터를 교환할 필요를 없애 프라이버시를 보존하는 분산 학습 패러다임입니다. 아날로그 무선 연산(AirComp) 기반 무선 전송을 사용하는 전형적인 엣지 환경의 연합 학습인 무선 연합 학습(AirFL)에서는, 내재된 채널 잡음이 노이즈가 섞인 글로벌 집계로 인해 학습 성능을 저하시키는 동시에 차분 프라이버시(DP)로 정량화되는 프라이버시 보호 메커니즘을 위한 자연스러운 무작위성(randomness) 원천을 제공한다는 점에서 독특한 '양날의 검(frenemy)' 역할을 합니다. 그럼에도 불구하고, 단순한 채널 모델이나 제한된 유형의 손실(loss) 함수를 가정한 기존 연구들은 주로 단일 라운드 또는 수렴하지 않는 프라이버시 손실 상한을 통한 (로컬) DP 향상만을 고려했기 때문에 이러한 채널 열화를 효과적으로 활용하는 것은 여전히 어려운 과제로 남아 있습니다. 본 논문에서는 사용자 수준 DP 요구 조건을 만족해야 하는 다중 안테나 기지국(BS) 기반 다중 접속 페이딩 채널 환경의 AirFL을 연구합니다. 유사한 환경에서 일반적으로 DP를 보장하려면 인공 잡음(AN)을 주입해야 한다고 주장한 최근 연구와 달리, 본 연구는 인공 잡음을 전혀 사용하지 않고도 DP를 하나의 '덤(perk)'으로 확보할 수 있음을 입증합니다. 구체적으로, 모델(model) 파라미터에 대한 일반적인 유계 도메인 가정 하에서 수렴(convergence)하는 새로운 DP 상한을 도출함과 동시에, 일반적인 매끄러운 비볼록(non-convex) 손실 함수 환경에서의 수렴 상한도 도출합니다. 이어 수신 빔포밍과 전력 할당을 최적화하여 최적의 수렴-프라이버시 트레이드오프를 규명하며, 학습 성능을 저하시키지 않고도 DP를 달성할 수 있는 명시적 조건들을 밝혀냅니다. 마지막으로, 광범위한 수치 결과를 통해 본 논문의 이론적 발견들을 검증합니다.
실시간 청각 장면 분석기(ASA)는 주어진 음향 환경(environment)에 존재하는 음원의 위치를 추정하고, 분리하며, 분류하는 작업을 수행하는 것을 목표로 합니다. 최근에는 ASA를 다중 에이전트(agent) 시스템으로 모델링하여 각 에이전트가 앞서 언급된 작업 중 하나를 수행하고 그 결과를 동료 에이전트들에게 전달하도록 하는 시도가 이루어졌습니다. 이러한 통신 경로는 전역 수준에서 국소적 오류를 수정하는 피드백 루프로 활용되어, 국소적 복잡성을 줄이면서도 강인성을 제공합니다. 이 접근 방식의 이점에 대한 한 예시는 관심 음성 음원의 추정 위치를 실시간으로 보정함으로써 음성 품질을 최적화(optimization)하는 것입니다. 그러나 이들의 최적화 속도는 상당히 느린 것으로 나타났습니다. 가능한 한 가지 이유는 윈도우마다 크게 변동하는 일련의 단일 품질 추정치(무참조 품질 추정 모델(model)에 의해 제공됨)에만 전적으로 의존하여, 최적화하기 어려운 탐색 공간을 형성하기 때문입니다. 본 연구에서는 위치 범위에 걸친 일련의 품질 추정치 집합에 의존하여 탐색 공간에 대한 보다 명확한 시야를 제공하고 최적화를 단순화하는 새로운 최적화 메커니즘을 제안합니다. 제안된 ASA는 이전 연구보다 덜 복잡하면서도, 최적화 시간이 상당히 단축되었고, 더 정확하며, 실제 음향 시나리오에서 평가(evaluation)될 때 더 높은 수준의 위치 추정 오류를 보정하는 데 있어 더 안정적입니다. 유일한 절충점은 품질 추정 에이전트의 응답 시간이 증가한다는 것이지만, 전체 ASA는 여전히 실시간으로 동작할 수 있습니다. 본 연구에서 나타난 성능은 ASA를 다중 에이전트 시스템으로 모델링하는 것의 이점을 다시 한번 보여줍니다.
토큰 통신(Token Communications, TokenCom)은 최근 토큰이 다중 모달 통신과 연산의 통합 단위가 되어, 미래 무선 네트워크에서 효율적인 디지털 의미 기반 및 목표 지향 통신을 가능하게 하는 효과적인 새로운 패러다임으로 등장했다. 공유 의미 잠재 공간을 구축하기 위해 TokenCom의 송신기/수신기는 동일한 토크나이저 모델과 코드북(codebook)에 합의해야 한다. 이를 위해 각 통신 에피소드마다 초기 토크나이저 합의(Tokenizer Agreement, TA) 과정이 수행되며, 송신기/수신기는 효율적인 TokenCom을 위해 양측에 공통으로 사용 가능한 사전학습(pre-training)된 토크나이저 모델/코드북 집합 중에서 협력하여 선택한다. 본 서신에서는 다중 안테나를 갖춘 기지국이 다수의 사용자에게 비디오 토큰 스트림을 전송하는 다중 사용자 하향링크 무선 TokenCom 시나리오에서 TA를 조사한다. 해당 혼합 정수 비볼록 문제를 수식화하고, 토크나이저 합의와 부채널 할당을 위한 심층 Q 네트워크(DQN)와 빔포밍(beamforming)을 위한 심층 결정론적 정책 그래디언트(DDPG)를 통합하는 하이브리드 강화학습(RL) 프레임워크를 제안한다. 시뮬레이션 결과, 제안 프레임워크는 의미 품질과 자원 효율 측면에서 기준선 방법들을 능가하며, 기존 H.265 기반 방식 대비 비디오 전송 시 끊김 이벤트를 68% 감소시킨다.
위성 감지와 통신에 대한 수요가 증가함에 따라, 제한된 무선 자원으로는 여러 위성 시스템을 지원하기 어렵다. 따라서 스펙트럼과 궤도 자원을 모두 절약하기 위해 단일 위성 내에서 다기능성을 구현하기 위하여 저궤도(LEO) 위성 시스템에서 통합 감지 및 통신(ISAC)을 연구하는 것이 바람직하다. 본 논문에서는 저궤도(LEO) 위성 시스템에서 ISAC를 위한 프레임워크를 구축하며, 위성이 동일한 스펙트럼에서 여러 표적을 동시에 감지하고 여러 통신 사용자(CUs)에게 서비스를 제공할 수 있다. 위성의 제한된 탑재 에너지를 고려하여, 채널 위상 불확실성으로 인해 악화되는 교차 기능 간 간섭 상황에서 감지를 위한 평균 제곱 오차(MSE) 요구사항과 통신을 위한 신호 대 간섭 및 잡음비(SINR) 요구사항을 충족하면서 총 송신 전력을 최소화하는 것을 목표로 하는 새로운 강건 빔포밍 설계 알고리즘을 개발한다. 이론적 분석에 따르면, 저궤도 위성 시스템에서 제안한 ISAC 알고리즘은 효과적이다. 또한 광범위한 시뮬레이션을 통해 제안 알고리즘이 기준선 대비 우수함을 확인한다.
우리는 다중 사용자 다중 입력 단일 출력(MU-MISO) 시스템에서 파일럿 기반 빔포밍의 성능을 향상시키기 위한 개선된 문맥 내 학습(ICL) 프레임워크를 개발한다. 제안된 방식은 ICL-트랜스포머 백본을 파일럿 인코더-디코더 네트워크(EDN) 및 빔포머 EDN과 통합한다. 우리 ICL 네트워크의 중요한 특징은 모델별 컨텍스트 데이터셋 구성을 통해 재학습 없이 여러 채널 모델을 처리할 수 있다는 점이다. 수렴과 견고성을 개선하기 위해, 우리는 세 가지 핵심 혁신을 도입한다: (a) 감독 LMMSE 라벨 모방에서 비지도 합속도(sum-rate) 최대화로 매끄럽게 전환하는 커리큘럼 학습(CL) 전략, (b) CL 기반 학습 동안 모든 채널 모델에 대한 컨텍스트 데이터셋을 동적으로 확장하고 정제하는 자기 진화 메커니즘, 그리고 (c) 여러 불일치를 일반 ICL 프레임워크에 통합하고 명시적 채널 보정을 우회하는 불일치 인식(mismatch-aware) 확장. 절제 연구는 문맥 내 아키텍처와 개선된 학습 전략의 효과를 검증한다. 다양한 통신 환경에 대한 시뮬레이션 결과는 제안된 방식이 그래디언트 기반 매개변수 업데이트 없이 보이는 채널 모델과 보이지 않은 채널 모델 모두에 빠르게 적응할 수 있으며, 지능적 컨텍스트 구성을 통해 불일치 문제를 완화할 수 있음을 보여준다. 또한 우리 방식은 WMMSE 벤치마크와 최근 트랜스포머 기반 방법을 포함한 파일럿 기반 설정에서 기존 빔포밍 방식들을 일관되게 능가한다.
본 논문은 등장하고 있는 PASS와 RIS의 통합이 무선 통신에 미치는 영향이 알려지지 않은 점에 착안하여, 다중 사용자 다운링크 정보 전송을 위한 재구성 가능한 지능형 표면(RIS) 지원 다중 도파관 핀칭-안테나(PA) 시스템(PASS)을 연구한다. 먼저, PA의 이동 가능 영역, 총 전력 예산, RIS 소자의 조정 가능한 위상에 대한 제약 조건 하에서 합산 전송률(SR) 및 에너지 효율(EE) 최대화 문제를 통합 프레임워크로 공식화한다. 이어서, RIS 지원 PASS의 그래프 구조 토폴로지를 활용하여, 첫 두 단계에서 각각 사용자 위치에 기반한 PA 위치와 복합 채널 조건에 따른 RIS 위상 이동을 학습하고, 최종적으로 빔포밍 벡터를 결정하는 새로운 3단계 그래프 신경망(GNN)을 제안한다. 구체적으로, 제안된 GNN은 비지도 학습을 통해 구현되며, 볼록 최적화와의 통합을 위한 세 가지 구현 전략을 함께 제공함으로써 추론 시간과 해의 최적성 간의 트레이드오프를 제공한다. 제안된 GNN의 효과를 검증하고, 실현 가능한 일반화 능력, 우수한 성능 신뢰성 및 실시간 적용 가능성이라는 고유한 특성을 뒷받침하기 위해 광범위한 수치 결과를 제시한다. 아울러, RIS 지원 PASS에 대한 주요 파라미터의 영향을 제시하고 분석한다.
분산 5G 네트워크의 협력 빔포밍(Coordinated Beamforming)에서 백홀 지연으로 인해 스케줄링 정보가 오래되는 문제를 해결하기 위해, StemGNN(Spectral Temporal Graph Neural Network)을 활용해 지연된 과거 관측값으로부터 미래 단말(UE) 스케줄링 상태를 예측하는 2단계 예측 프레임워크를 제안한다. 3셀 대규모 MIMO(massive MIMO) 환경에서 StemGNN은 평균 87.57%의 스케줄링 예측 정확도로 LSTM, GRU 등 기준 모델을 능가하며, CBF-SLNR 프리코더에 통합 시 1 TTI 백홀 지연으로 인한 합산 전송률 손실의 57~73%를 복구하고 셀 경계 사용자의 공정성 손실도 최대 83%까지 회복함을 보였다.
6G 통합 감지 및 통신(ISAC) 시스템에서 공격자가 빔포밍 방향을 조작해 간섭을 유발하는 시나리오를 대상으로, 베이즈 추론과 Nash/Stackelberg 게임 이론을 결합한 Q-러닝 기반 강화학습(RL) 프레임워크를 제안한다. 독일 도르트문트 도심의 3GPP 기반 레이트레이싱 도시 환경 시뮬레이션 결과, 제안 방법이 공격자 탐지 및 빔포밍 보안 문제를 효과적으로 해결함을 보였다.
Accurate channel state information (CSI) prediction is essential for proactive beamforming and resource management in 5G massive MIMO systems, yet the deployment of high-accuracy transformer-based predictors on base-station hardware remains challenging because the most capable models carry upwards of 30\,M parameters. This paper introduces Lightweight PCGAE-Net, which addresses the efficiency problem not by post-hoc compression but by correcting two architectural flaws in the current state of the art. The first is a sequential attention ordering bias: in CS3T-UNet, group-wise temporal attention (GTA) always operates on features that have already been transformed by cross-shaped spatial attention (CSA), distorting what temporal information GTA can capture. We remove this dependency by routing both attention modules to the same layer-normalized input and combining their independent outputs through a learned per-channel sigmoid CrossGate. The second flaw is an uncompressed bottleneck: applying full self-attention at the deepest encoder stage, where channel depth reaches $4C$, is quadratically expensive and carries redundant features. A Bottleneck AutoEncoder (BAE) with $1\times1$ convolutions halves this depth and uses an auxiliary reconstruction loss to prevent information collapse. Wrapping these components inside a shallower encoder-decoder with frequency-domain dimensionality reduction ($N_f\!=\!32$, $C\!=\!48$) produces a model with just 8.54\,M parameters -- 58\% fewer than the CS3T-UNet baseline -- that outperforms it by up to 3.26\,dB at 5\,km/h and 6.0\,dB at 9\,km/h in single-step prediction on QuaDriGa dataset.