Scalable Fast Accurate Localization in Single Site MIMO with Small-Scale Dataset Using a Multi-Head Fourier Neural Operator
Notice bibliographique
Résumé
Accurate, real-time user localization is critical for 5G/6G applications in V2X (vehicle-to-everything) networks, autonomous systems, and immersive AR/VR, yet remains challenging due to limited labeled/training data. Fingerprinting using Channel State Information (CSI) offers multipath resilience but suffers from sparse ground-truth collection, long training time, non-real-time inference, and resolution dependency (retraining needed for new antenna/subsystem configurations). To address these issues, we propose a mesh invariant Multi-Head Fourier Neural Operator (MH-FNO) with Angle-Delay Profile (ADP) transformation of the CSI data. The mesh invariance property makes MH-FNO scalable and essentially independent of antenna count and subcarrier number. Our approach achieves dramatic training acceleration through FFT-based spectral convolutions, with per-epoch complexity of O(n • hw log(hw)) (where n is the number of ADP training samples and h × w is the spatial grid size of each sample), versus O(n 3 + n 2 • hw) by the Gaussian Process Regression (GPR). Furthermore, the model generalizes to unseen ADP dimensions and enables real-time inference at O(hw log(hw)) per sample, instead of O(n • hw) using GPR. Unlike convolutional neural networks (CNNs) which require large datasets, the proposed MH-FNO is able to achieve a 79% lower RMSE than GPR in the experiments performed, with the use of only 1% training samples.
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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».