Federated Learning Based Near-Field Channel Estimation for XL-MIMO Communications
Notice bibliographique
Résumé
Extremely large-scale massive MIMO (XL-MIMO) is foreseen as a promising technology to achieve ultra-low latency, high data transmission speed, and extremely low error rate in future 6 G networks. The increases in antenna apertures and the use of higher frequencies (millimeter-wave and subTHz) in XL-MIMO significantly extend the Rayleigh distance, thereby enhancing the prevalence of near-field (NF) communications. Unfortunately, existing far-field channel models struggle to accurately capture both line-of-sight (LoS) and non-line-ofsight (NLoS) propagation paths in the presence of NF effects. Moreover, the huge number of antenna elements greatly increases computational demands and complicates channel estimation tasks. In this paper, we propose a federated learning (FL)based near-field channel estimation (NFCE) framework for mixed LoS/NLoS environments. In this framework, we employ a federated deep residual learning (FDRL)-based convolutional neural network (CNN) architecture, where only a subset of local devices participates in the distributed training process. By utilizing the complex convolution and a few residual blocks, this framework reduces the effect of signal noise while minimizing communication overhead and computational complexity. Simulation results demonstrate that our proposed framework significantly improves NFCE performance in terms of normalized mean square error and bit error rate compared to selected benchmark schemes.
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 | 0,001 | 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 ».