论文提出将信道配置信息注入无线电基础模型预训练
论文AI 评分 62/100arXiv cs.AI待复核
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
一篇投稿 IEEE ICC 2027 的论文提出，在无线电基础模型（RFM）预训练阶段引入信道配置（CFG）信息，使生成的嵌入带有配置先验。作者在三种数据规模下，把这种嵌入与原始信道 token 及多个基线模型对比，测试任务包括视距/非视距分类、定时提前估计和波束选择，并区分配置分布内与分布外两种场景。结果显示，在已见和未见配置下，该嵌入整体优于基线或与之相当，在标签稀缺时表现尤为明显。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载方法思路
论文的核心主张是在无线电基础模型的预训练阶段加入信道配置信息，而不是只喂原始信道数据。作者认为，这样得到的嵌入本身就携带配置层面的先验，在标注样本不足时能直接支撑下游任务。为验证这一点，他们把该嵌入与原始信道 token 以及多个基线模型放在同一框架下比较，并设置三种不同的数据规模，观察数据量变化时各方案的表现差异。
任务与评估设置
评估覆盖三类下游任务：视距与非视距的分类、定时提前估计、波束选择。这些任务分别对应不同的输出形式，既有分类也有回归与选择。评估还区分了配置分布内与分布外两种情形，也就是测试时的配置是否在预训练阶段出现过，用来检验嵌入能否迁移到未见过的配置组合。作者称，在已见与未见配置下，所提嵌入均稳定优于基线或与之相当。
适用范围与状态
论文目前处于投稿审稿阶段，目标会议为 IEEE ICC 2027，尚未给出公开代码或数据集的说明。摘要层面只交代了任务类型与对比结论，没有披露模型规模、具体提升幅度等量化细节，因此其效果强弱还需看正文实验部分。对无线与通信方向的研究者而言，这项工作的参考点在于把配置参数当作预训练信号这一做法本身。
为什么值得看
把配置参数而非仅信道数据纳入预训练，为标签稀缺下的无线任务提供了可复用的表征思路。
论文
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。