GNN和基于分数的模型通过改进CSI来增强无线波束成形

研究人员开发了一种新颖的方法，通过利用图神经网络（GNN）和基于分数的生成模型来实现无线通信中的鲁棒混合波束成形。该方法旨在提高信道状态信息（CSI）的准确性，CSI对于波束成形至关重要，但在实际系统中获取起来通常很困难。所提出的框架包括一个用于CSI更新的GNN模型和一个用于CSI生成和去噪的基于BERT的噪声条件分数网络，实验证明其性能和鲁棒性均优于现有方法。 AI

影响 新颖的GNN和基于分数的生成模型提高了CSI的准确性，有望增强无线通信系统的性能和鲁棒性。

排序理由 该集群包含一篇在arXiv上发表的研究论文，详细介绍了一种新的无线通信方法。[lever_c_demoted from research: ic=1 ai=0.7]

在 arXiv cs.LG 阅读 →

• Bidirectional Encoder Representations from Transformers
• Channel State Information
• DeBERT
• DeepMIMO
• Denoising Score Network
• Graph Neural Networks
• Hybrid Message Graph Attention Network
• Noise Conditional Score Network
• score-based generative models
• Yuhang Li

• 论文
• 其他

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →