Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > eess > arXiv:2507.13637

帮助 | 高级搜索

电气工程与系统科学 > 信号处理

arXiv:2507.13637 (eess)
[提交于 2025年7月18日 ]

标题: 面向通道基础模型(CFMs):动机、方法和机遇

标题: Towards channel foundation models (CFMs): Motivations, methodologies and opportunities

Authors:Jun Jiang, Yuan Gao, Xinyi Wu, Shugong Xu
摘要: 人工智能(AI)已成为下一代无线通信系统的关键推动者。 然而,传统的基于AI的模型面临诸多限制,例如对标注数据的高度依赖、泛化能力有限以及任务特定设计。 为解决这些挑战,本文首次引入了信道基础模型(CFMs)的概念——一种新颖且统一的框架,旨在通过预训练的通用信道特征提取器来处理各种与信道相关的任务。 通过利用先进的AI架构和自监督学习技术,CFMs能够有效地利用大规模未标注数据,而无需大量人工标注。 我们进一步分析了AI方法的发展历程,从监督学习和多任务学习到自监督学习,强调后者在促进CFMs发展中的独特优势。 此外,我们对本领域现有的自监督学习研究进行了全面综述,并将其分为生成式、判别式和结合范式。 鉴于CFMs的研究仍处于早期阶段,我们识别出几个有前景的未来研究方向,重点关注模型架构创新和高质量、多样化的信道数据集的构建。
摘要: Artificial intelligence (AI) has emerged as a pivotal enabler for next-generation wireless communication systems. However, conventional AI-based models encounter several limitations, such as heavy reliance on labeled data, limited generalization capability, and task-specific design. To address these challenges, this paper introduces, for the first time, the concept of channel foundation models (CFMs)-a novel and unified framework designed to tackle a wide range of channel-related tasks through a pretrained, universal channel feature extractor. By leveraging advanced AI architectures and self-supervised learning techniques, CFMs are capable of effectively exploiting large-scale unlabeled data without the need for extensive manual annotation. We further analyze the evolution of AI methodologies, from supervised learning and multi-task learning to self-supervised learning, emphasizing the distinct advantages of the latter in facilitating the development of CFMs. Additionally, we provide a comprehensive review of existing studies on self-supervised learning in this domain, categorizing them into generative, discriminative and the combined paradigms. Given that the research on CFMs is still at an early stage, we identify several promising future research directions, focusing on model architecture innovation and the construction of high-quality, diverse channel datasets.
评论: 13页
主题: 信号处理 (eess.SP)
引用方式: arXiv:2507.13637 [eess.SP]
  (或者 arXiv:2507.13637v1 [eess.SP] 对于此版本)
  https://doi.org/10.48550/arXiv.2507.13637
通过 DataCite 发表的 arXiv DOI(待注册)

提交历史

来自: Jun Jiang [查看电子邮件]
[v1] 星期五, 2025 年 7 月 18 日 03:50:29 UTC (2,664 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
  • 其他格式
查看许可
当前浏览上下文:
eess.SP
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-07
切换浏览方式为:
eess

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号