A Hypernetwork Framework for Learning Adaptive Beamforming Schemes in RIS Systems
Notice bibliographique
Résumé
This work develops a learning-based framework that directly exploits noisy pilots to optimize reconfigurable intelligent surface (RIS) systems while accommodating different service priorities and fairness via user weights. First, an adaptive beamforming configuration problem is formulated to generate the base station active beamforming vectors and RIS passive beamforming reflection coefficients that optimize the weighted sum-rate. Under mild regularity conditions, this problem is shown to attain a maximum. To learn approximate solutions, a novel hypernetwork-based beamforming (HNB) framework is proposed. Particularly, a beamforming network (BFN) exploits available information, including noisy pilots, to generate optimized beamforming configurations. Rather than learning one BFN, a hypernetwork is trained to dynamically generate BFN learning parameters from an input conditioning vector. When the conditioning vector is chosen as the user weights, the trained HNB can tune the BFN to the user weights without the need for retraining. Numerical experiments demonstrate that tuning allows the proposed HNB to perform close to an optimistic block-coordinate descent with perfect CSI benchmark and significantly outperform static learning where a BFN is directly trained to optimize beamforming configurations. Additionally, employing the HNB to also tune the BFN to location information considerably reduces the pilots needed to generate optimized beamforming configurations.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».