arXiv提出JEPA-kMMVAE框架 利用神经网络预测时变信道状态

近日,arXiv信号处理板块发布了一项关于信道状态信息(CSI)预测的研究论文。研究聚焦于时变多天线信道场景下,如何借助神经网络基于含噪历史观测推断未来CSI,其核心难点在于既要利用信道的时间相关性,又要将信道本身的演化过程与观测噪声区分开来。

研究者提出了名为JEPA-kMMVAE的预测框架,将联合嵌入预测架构(JEPA)与k记忆马尔可夫变分自编码器(kMMVAE)相结合,通过时序结构化的潜在表征来推断未来信道状态。该框架支持两种工作模式:一是直接给出预测结果,二是基于最新潜在状态与含噪CSI观测进行残差修正,从而增强对信道变化的拟合能力。

仿真实验表明,在中等到较高输入CSI信噪比条件下,采用残差修正配置的JEPA-kMMVAE优于所对比的多种基线方法;而在噪声相对更强的场景下,基于序列的传统基线方法则保持更高的预测精度。这一对比结果提示,时序结构化表征与残差建模有助于提升信道预测在中高信噪比区间的鲁棒性,但对强噪声环境的适应性仍是该方向待解决的问题。

【空音视角】 CSI预测是无线通信领域的经典课题,其方法论与WiFi感知技术存在相通之处。该研究将自监督式的联合嵌入预测思路引入CSI建模,意味着学术界开始关注在CSI数据中构建时间一致性表征——这与WiFi感知通过信道时序变化反映人体活动、呼吸节律的技术路径高度一致。如何在含噪观测中有效区分真实信号变化与噪声干扰,直接关系到非接触生命体征监测在复杂环境下的可靠性,也是空音在WiFi感知实践中长期关注的底层技术问题,相关学术进展值得持续跟踪。

—— 本文基于公开报道由空音编辑部 AI 辅助改写 来源：arXiv 信号处理 原文链接：https://arxiv.org/abs/2610.13315