PyTorchKR Papers

최신 논문

총 4편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2604.08607v2cs.LG

적대적 다중 작업 학습을 통한 간섭 탐지 및 식별 통합

Joint Interference Detection and Identification via Adversarial Multi-task Learning

비협조적 무선 환경에서 통신 시스템의 생존성을 높이려면 정밀한 간섭 탐지와 식별이 필수적이다. 심층 학습(DL)이 이 분야를 발전시켜 왔지만, 기존 단일 작업 학습(single-task learning, STL) 접근법은 내재된 작업 간 상관을 간과한다. 더욱이 새로 등장하는 다중 작업 학습(multi-task learning, MTL) 방법은 작업 관계를 정량화하고 모델링하기 위한 이론적 기반을 종종 갖추지 못한다. 이 공백을 메우기 위해, 우리는 간섭 탐지, 변조 식별(modulation identification), 간섭 식별을 공동으로 수행하는 이론적으로 정당화된 MTL 프레임워크를 수립한다. 먼저 MTL 프레임워크에서 가중 기대 손실의 상한을 유도한다. 이 상한은 MTL 성능을 Wasserstein 거리와 학습 가능한 작업 관계 계수로 정량화된 작업 유사도에 명시적으로 연결한다. 이 이론을 바탕으로, 작업 간 분포 불일치를 최소화하기 위해 적대적 학습을 통합하고 작업 상관을 동적으로 모델링하기 위해 적응형 계수를 사용하는 적대적 다중 작업 간섭 탐지 및 식별 네트워크(AMTIDIN)를 제안한다. 중요하게도, 우리는 작업 유사도에 대한 정량 분석을 수행하여 내재적 작업 관계, 특히 변조 식별과 간섭 식별이 간섭 탐지와는 구별되는 상당한 특징 중첩을 공유한다는 점을 밝혔다. 실험 결과, AMTIDIN은 제한된 학습 데이터, 짧은 신호 길이, 낮은 신호 대 잡음비(SNR)라는 평가 조건에서 독립적으로 학습된 단일 작업 대응 모델 및 MTL 베이스라인을 능가함을 보여준다.

arXiv:2607.11970v1cs.LG

MU-MISO 시스템에서 직접 파일럿-빔포머 설계를 위한 자기 진화형 문맥 내 학습

Self-Evolving In-Context Learning for Direct Pilot-to-Beamformer Design in MU-MISO Systems

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.

arXiv:2607.11429v1cs.LG

공간적으로 일관된 다중 사용자 TR 38.901 채널 생성을 위한 물리 인식 조건부 SetGAN

Physics-Aware Conditional SetGAN for Spatially Consistent Multi-User TR 38.901 Channel Generation

Sionna와 같은 TR 38.901 기반 채널 모델은 신뢰할 수 있지만, 다수의 다중 사용자 채널 실현을 생성하는 데 여전히 높은 비용이 소요된다. 본 논문은 실용적인 질문을 제기한다: 학습된 생성 모델이 사용자 기하 구조에 의해 부과된 공간적 상관관계를 잃지 않으면서 Sionna보다 빠르게 다중 사용자 TR 38.901 채널을 생성할 수 있는가? 이 질문에 답하기 위해, 우리는 Sionna 참조 데이터로 학습된 물리 인식 기하 조건부 SetGAN을 제안한다. 본 방법은 대규모 수신 전력을 정규화된 소규모 페이딩으로부터 분리하고, 주성분 분석(principal component analysis)으로 후자를 압축하며, 기하 의존적 상관관계를 보존하면서 잠재 공간에서 조건부 채널 분포를 학습한다. UMa/NLoS 벤치마크에서 본 모델은 수신 전력 분포를 참조값에 근접하게 유지하여 약 0.41 dB의 Wasserstein 거리를 달성하고, 거리 대비 중앙값 곡선에서 평균 편차 0.03 미만으로 공간 일관성 프로파일을 재현한다. 또한 고정 위치 CPU 대 CPU 벤치마크에서 일치된 사용자 위치 조건 하에 Sionna 대비 경과 생성 시간을 3.45배, CPU 총 비용을 6.15배 절감한다. 이러한 결과는 학습된 생성 모델이 다중 사용자 시스템 평가에 필요한 공간 일관성을 훼손하지 않으면서 TR 38.901 채널 생성을 크게 가속할 수 있음을 보여준다.

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.