HeterCSI：面向泛化无线基础模型的信道自适应异构CSI预训练框架
机器学习
2026-01-27 v1 人工智能
摘要
无线基础模型有望为跨越各种6G网络应用的信道状态信息（CSI）处理提供变革性能力，但由于CSI在尺度和场景维度上固有的双重异构性，它们面临着根本性挑战。然而，当前的预训练方法要么将输入限制为固定维度，要么按尺度隔离训练，限制了无线基础模型的泛化能力和可扩展性。在本文中，我们提出了HeterCSI，这是一个信道自适应预训练框架，通过对异构CSI预训练中梯度动力学的新理解，调和了训练效率与稳健的跨场景泛化。我们的核心见解揭示了，CSI尺度异构性主要导致破坏性的梯度干扰，而场景多样性在得到妥善管理时实际上能促进建设性的梯度对齐。具体而言，我们将异构CSI批次构建表述为一个分区优化问题，在保留场景多样性的同时最小化零填充开销。为解决此问题，我们开发了一种尺度感知的自适应批处理策略，以对齐相似尺度的CSI样本，并设计了一种双掩码机制，以将有效信号与填充伪影隔离。在12个数据集上的大量实验表明，HeterCSI在无需特定场景微调的情况下建立了一个泛化基础模型，其平均性能优于全样本基线。与最先进的零样本基准WiFo相比，它在CSI重建、时域和频域预测上分别将NMSE降低了7.19 dB、4.08 dB和5.27 dB。所提出的HeterCSI框架还将训练延迟降低了53%，同时泛化性能平均提高了1.53 dB。
引用
@article{arxiv.2601.18200,
title = {HeterCSI: Channel-Adaptive Heterogeneous CSI Pretraining Framework for Generalized Wireless Foundation Models},
author = {Chenyu Zhang and Xinchen Lyu and Chenshan Ren and Shuhan Liu and Qimei Cui and Xiaofeng Tao},
journal= {arXiv preprint arXiv:2601.18200},
year = {2026}
}
备注
13 pages, 8 figures