基于扩散模型的稳健超容量 SRS 信道 填补
声音
2025-10-31 v1 密码学与安全
机器学习
摘要
准确的信道状态信息（CSI）对于可靠的多用户 MIMO 操作至关重要。在 5G NR 中，基于上行探听参考信号（SRS）的 reciprocity-based 波束成形面临资源和覆盖限制，推动稀疏非均匀 SRS 分配。先前的掩码自编码器（MAE）方法改善了覆盖范围，但对训练掩码过拟合，在面临额外掩码、干扰、削波和非高斯噪声等未见失真时性能下降。我们提出了一种基于扩散的信道填补框架，通过在推断时集成系统模型知识的似然梯度项，使单个训练模型能够适应不匹配条件。在标准化 CDL 信道上，基于得分的扩散变体在分布迁移下持续优于 UNet 得分模型基线和单步 MAE，挑战性情景（如拉普拉斯噪声、用户干扰）下 NMSE 可提高最高 14 dB，同时在匹配条件下保持竞争的准确性。这些结果表明，扩散引导的填补是面向 5G NR 系统超容量 SRS 设计的稳健且通用的方法。
引用
@article{arxiv.2510.26096,
title = {ALMGuard: Safety Shortcuts and Where to Find Them as Guardrails for Audio-Language Models},
author = {Weifei Jin and Yuxin Cao and Junjie Su and Minhui Xue and Jie Hao and Ke Xu and Jin Song Dong and Derui Wang},
journal= {arXiv preprint arXiv:2510.26096},
year = {2025}
}
备注
Accepted to NeurIPS 2025