Beam Prediction based on Large Language Models

要約

ミリ波 (mmWave) 通信は、次世代ワイヤレス ネットワークとして有望ですが、重大な経路損失が発生するため、大規模なアンテナ アレイと頻繁なビーム トレーニングが必要になります。
長短期記憶 (LSTM) などの従来の深層学習モデルはビーム追跡精度を向上させますが、ロバスト性と汎化性が低いため限界があります。
このレターでは、大規模言語モデル (LLM) を使用してビーム予測の堅牢性を向上させます。
時系列データをテキストベースの表現に変換し、コンテキストを強化するために Prompt-as-Prefix (PaP) 手法を採用することで、私たちのアプローチは時系列予測に対する LLM の強みを解き放ちます。
シミュレーション結果は、LLM ベースの手法が LSTM ベースのモデルと比較して優れた堅牢性と一般化を提供することを実証し、無線通信における LLM の可能性を示しています。

要約(オリジナル)

Millimeter-wave (mmWave) communication is promising for next-generation wireless networks but suffers from significant path loss, requiring extensive antenna arrays and frequent beam training. Traditional deep learning models, such as long short-term memory (LSTM), enhance beam tracking accuracy however are limited by poor robustness and generalization. In this letter, we use large language models (LLMs) to improve the robustness of beam prediction. By converting time series data into text-based representations and employing the Prompt-as-Prefix (PaP) technique for contextual enrichment, our approach unleashes the strength of LLMs for time series forecasting. Simulation results demonstrate that our LLM-based method offers superior robustness and generalization compared to LSTM-based models, showcasing the potential of LLMs in wireless communications.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google