Leveraging Generative Artificial Intelligence for Uplink Feedback-Free Transmission in 6G FD-RAN
Notice bibliographique
Résumé
Cooperative uplink multi-base station (BS) reception has emerged as a promising technology to enhance received signal strength and improve wireless spectral efficiency. However, realizing the potential performance gains remains challenging due to substantial communication overhead among cooperative BSs and excessive delays in channel state information (CSI) feedback. This paper investigates a CSI feedback-free mechanism that leverages time-invariant physical layer parameters to facilitate cooperative BS reception within a fully-decoupled radio access network (FD-RAN). First, given the dynamically changing characteristics of the wireless environment, we employ conditional variational autoencoder (CVAE), a state-of-the-art generative artificial intelligence (GAI) approach, to generate location-specific representative channels for calculating CSI feedback-free transmission parameters. Subsequently, to maximize the throughput of user equipment (UE), a diffusion model-based deep reinforcement learning (DRL) framework is proposed for jointly selecting cooperative BS reception sets and precoding schemes, utilizing the representative channels generated by CVAE. Extensive simulations conducted on a link-level simulator demonstrate that the proposed CSI feedback-free mechanism for cooperative multi-BS reception can effectively improve spectrum efficiency by 17.3%, which provides a promising design principle for the development of sixth-generation (6G) wireless networks.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».