ترجمه فارسی مقاله یادگیری دینامیک پنهان بی سیم از اطلاعات وضعیت کانال

چکیده

In this work, we propose a novel data-driven machine learning (ML) technique to model and predict the dynamics of the wireless propagation environment in latent space. Leveraging the idea of channel charting, which learns compressed representations of high-dimensional channel state information (CSI), we incorporate a predictive component to capture the dynamics of the wireless system. Hence, we jointly learn a channel encoder that maps the estimated CSI to an appropriate latent space, and a predictor that models the relationships between such representations. Accordingly, our problem boils down to training a joint-embedding predictive architecture (JEPA) that simulates the latent dynamics of a wireless network from CSI. We present numerical evaluations on measured data and show that the proposed JEPA displays a two-fold increase in accuracy over benchmarks, for longer look-ahead prediction tasks.

چکیده به فارسی (ترجمه ماشینی)

در این کار ، ما یک تکنیک جدید یادگیری ماشین محور (ML) را برای مدل سازی و پیش بینی پویایی محیط انتشار بی سیم در فضای نهفته پیشنهاد می کنیم.با استفاده از ایده نمودار کانال ، که بازنمایی های فشرده شده از اطلاعات حالت کانال با ابعاد بالا (CSI) را می آموزد ، ما یک مؤلفه پیش بینی کننده را برای ضبط پویایی سیستم بی سیم درج می کنیم.از این رو ، ما به طور مشترک یک رمزگذار کانال را یاد می گیریم که CSI تخمین زده شده را به یک فضای نهفته مناسب ترسیم می کند ، و پیش بینی کننده ای که روابط بین چنین بازنمایی ها را مدل می کند.بر این اساس ، مشکل ما برای آموزش یک معماری پیش بینی کننده تعبیه شده مشترک (JEPA) کاهش می یابد که پویایی نهفته یک شبکه بی سیم از CSI را شبیه سازی می کند.ما ارزیابی های عددی را در مورد داده های اندازه گیری ارائه می دهیم و نشان می دهیم که JEPA پیشنهادی افزایش دو برابر دقت نسبت به معیارها را نشان می دهد ، برای انجام کارهای پیش بینی طولانی تر.