Unsupervised Learning-Based Joint Beamforming and Phase-Shift Optimization for RIS-Assisted DeepMIMO With Large-Scale Arrays
Notice bibliographique
Résumé
This paper considers a reconfigurable intelligent surface (RIS)-aided network, where discrete phase-shift RIS is investigated in large-scale arrays with hundreds of antennas at the source and thousands of passive elements at the RIS. We propose unsupervised learning (UnSL) approaches that eliminate the need for labeled data to address the joint beamforming and phase-shift (JBPS) optimization problem with high degrees of freedom (DoF), i.e., thousands of optimization variables, for efficient transmission design in RIS-DeepMIMO networks. Performance is analyzed by comparing the signal-to-noise ratio (SNR) with that of end-to-end SNR-based exhaustive search (ESES) and particle swarm optimization (PSO) algorithms under maximum ratio transmission (MRT) beamforming. We show that MRT-PSO, MRT-UnSL, and JBPS-UnSL with multitask neural network suffer performance degradation due to the high-dimensional input. On the other hand, numerical results reveal that the GPU-MRT-CCES method outperforms the other solutions and exhibits high scalability, owing to its novel combination of a predefined MRT solution, theoretical cascaded channel-based RIS configuration, and GPU-parallelized computation.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 ».