Large Sequence Model for MIMO Equalization in Fully Decoupled Radio Access Network
Notice bibliographique
Résumé
Fully decoupled RAN (FD-RAN) aims to improve network performance by decoupling the hardware of base stations (BSs) and enabling flexible cooperation, making it a promising architecture for next-generation wireless networks. With the emergence of artificial intelligence, FD-RAN provides an opportunity to integrate physical-layer signal processing with neural network models. However, conventional deep learning-based multi-input multi-output (MIMO) equalization methods often rely on extensive offline training under fixed channel conditions, resulting in limited generalization to unseen wireless environments. Motivated by the strong generalization ability demonstrated by in-context learning (ICL) in natural language processing, we extend ICL to cooperative MIMO equalization in the FD-RAN framework. In this setup, geographical location information is incorporated as side information to enhance inference accuracy. Lightweight Transformer encoders are deployed at resource-constrained BSs to compress received signals, which are then forwarded to a central unit where a large decoder-only Transformer, adapted from GPT-2, performs equalization. The components are jointly trained to capture channel characteristics effectively. We further evaluate the generalization capability of large models by comparing the proposed ICL-based equalizer against meta-learning baselines. Experimental results show that our method achieves over 29% improvement in normalized mean square error under 8-bit and 12-bit fronthaul constraints compared to an unquantized LMMSE baseline. Moreover, as the pretraining dataset size increases, the ICL-based equalizer consistently outperforms meta-learning approaches, underscoring its scalability and potential for deployment in large-scale, data-driven wireless systems.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,003 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».