研究人员开发了格拉姆-切比雪夫神经网络算子（GCNO），这是一种新颖的、基于物理的方法，用于压缩无线信道反馈。该方法旨在通过识别和报告仅占主导地位的传播路径来减少与大型天线阵列相关的显著数据开销，而不是将信道矩阵视为静态图像。GCNO提供了一种可变速率的压缩，可以适应信道复杂性，并且无需重新训练即可转移到不同的天线配置，在准确性和有效载荷效率方面优于现有的神经网络反馈基线。 AI
影响 这种基于物理的神经网络算子可以显著减少无线通信中的数据开销，从而更有效地利用大型天线阵列。
排序理由 该集群描述了一篇详细介绍一种新颖的无线信道压缩方法的最新研究论文。
在 Hugging Face Daily Papers 阅读 →
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2608.18522v1 Announce Type: cross Abstract: Large antenna arrays allow wireless systems to serve more users and achieve higher data rates, but they also make channel feedback expensive: the receiving device must repeatedly report a large complex-valued channel matrix to the…
Large antenna arrays allow wireless systems to serve more users and achieve higher data rates, but they also make channel feedback expensive: the receiving device must repeatedly report a large complex-valued channel matrix to the base station. Most neural compressors treat this …