PyTorchKR Papers

최신 논문

총 4편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2602.12338v2cs.LG

무선 TokenCom: 다중 사용자 무선 토큰 통신을 위한 강화학습 기반 토크나이저 합의

Wireless TokenCom: RL-Based Tokenizer Agreement for Multi-User Wireless Token Communications

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.

arXiv:2607.14975v1cs.AI

CFM-Bench: 채널 기반 모델을 위한 통합 다중 도메인·다중 태스크 벤치마크

CFM-Bench: A Unified Multi-Domain, Multi-Task Benchmark for Channel Foundation Models

채널 기반 모델(CFM)은 빠르게 발전하고 있으며, 최근 연구들은 다운스트림 무선 태스크 전반에 걸친 사전학습(pre-training)의 이점을 보고하고 있다. 그러나 CFM은 서로 다른 데이터, 무선 설정, 파티션, 적응 절차, 태스크 정의, 지표를 사용하는 모델별 파이프라인에서 평가되는 경우가 많다. 따라서 보고된 비교는 하나의 파이프라인 내에서 사전학습이 처음부터의 지도 학습(training)보다 나음을 보여주는 경향이 있지만, CFM 간 순위를 매기거나 작업 특화 모델과 공정하게 비교하지는 못한다. 우리는 이 공백을 해소하기 위해 설계된 통합 다중 도메인·다중 태스크 벤치마크인 CFM-Bench를 공개한다. 이는 3GPP 통계 시뮬레이션, 두 개의 독립적인 레이 트레이싱(ray-tracing) 파이프라인, 산업 및 항공 측정, 동기화된 차량 멀티모달 시뮬레이션에 걸친 여섯 가지 채널 구성을 큐레이션한다. 공식 파티션은 완전한 궤적, 측정 세션, 차량 링크, 시뮬레이션 실현(realization), 또는 버퍼링된 공간 영역을 분리한다. CFM-Bench는 외부 사전학습 코퍼스나 전략을 규정하지 않으며, 어떤 벤치마크 분할도 기반 모델 사전학습에 사용할 수 없고, 공식 학습 분할은 오직 다운스트림 미세조정(fine-tuning) 전용으로 예약된다. 벤치마크는 또한 모델 개발 중 사용된 모든 데이터의 공개를 요구하며, 공식 테스트 단위의 학습 단계 사용을 금지한다. 여섯 개의 태스크 그룹은 세 가지 CFM 응용 차원—물리층(PHY) 채널 지능, 무선 접속망(RAN) 의사결정 지능, 통합 감지 및 통신(ISAC)—을 따라 구성된다. 이들은 CSI 피드백, 주파수 및 시간적 채널 외삽(extrapolation), 전파 상태 분류(classification), 현재 및 미래 빔 예측, 단일 프레임 및 시간적 위치 추정(localization)을 다룬다. CFM-Bench는 모델, 도메인, 태스크에 걸친 채널 표현의 전이 가능성(transferability)을 비교하기 위한 공통 기반을 제공한다.

arXiv:2607.13119v1cs.IT

무선 연합 학습에서 다운링크 모델 브로드캐스트를 위한 혼합 시간 척도 차분 코딩

Mixed-Timescale Differential Coding for Downlink Model Broadcast in Wireless Federated Learning

표준 연합 학습(federated learning) 시스템에서는 매개변수 서버(parameter server)가 매 반복(iteration)마다 참여 장치에 글로벌 모델을 브로드캐스트한다. 연속된 글로벌 모델 간의 시간적 상관관계에 기인하여, 글로벌 모델 전파에 차분 코딩(differential coding)을 적용하면 정보량을 줄일 수 있으며, 이를 통해 더 적은 양자화(quantization) 비트로 통신할 수 있다. 그러나 무선 링크 장애로 인해 장치가 간헐적으로 차분 업데이트를 놓치게 되면 글로벌 모델을 복원하지 못할 수 있다. 그 결과 장치는 구식 모델을 기반으로 로컬 학습(training)을 계속하거나, 다음 전체 모델 브로드캐스트가 가능해질 때까지 유휴 상태로 남게 된다. 이 문제를 해결하기 위해, 참조 모델을 조정하여 두 가지 수준에서 차분 코딩을 수행하는 혼합 시간 척도 차분 코딩(MTDC) 방안을 제안한다. MTDC를 사용하면 장치가 차분 업데이트를 놓치더라도 두 번의 전체 모델 브로드캐스트 사이에서 최신 글로벌 모델을 복원할 수 있다. 또한 MTDC의 연령 인식(age-aware) 변형 설계를 뒷받침하는 수렴(convergence) 분석과, 통신 효율을 더욱 개선하기 위한 장치 스케줄링 정책을 제시한다. 시뮬레이션 결과, 제안한 MTDC 방안은 다운링크 전송 실패가 존재하는 환경에서 유사한 통신 자원 예산 하에서 기준선(baseline) 방법들보다 우수한 학습 성능을 달성함을 보여준다.

arXiv:2606.24979v1cs.LG

CKM-Driven Communication-Aware UAV Intelligent Trajectory Optimization for Urban Inspection

도시 점검 다중 UAV 임무에서 공간적 채널 이질성으로 통신 품질 확보가 어렵다는 문제를, 채널 지식 맵(CKM) 기반 궤적 계획 프레임워크로 다룬다. 확산(diffusion) 모델로 시간 누적 CKM을 구축하고 그래프 어텐션 네트워크(GAT)와 소프트 액터-크리틱(SAC) 기반 GATSAC 알고리즘으로 통신을 고려한 방문 순서와 연속 비행 경로를 최적화하며, 시뮬레이션에서 실시간 채널 피드백 없이도 고품질 채널 구역을 따라 궤적 효율과 통신 신뢰성이 크게 향상됨을 보인다.