Framework Learning-to-Transition per il Rilevamento MIMO di Ordine Elevato

Un nuovo studio condiviso su arXiv (2608.14511) introduce un framework chiamato learning-to-transition (L2T) per il rilevamento MIMO (Multiple-Input Multiple-Output) avanzato. Esso considera il rilevamento MIMO come una sequenza stocastica con transizioni di vettori completi, utilizzando un Transformer accoppiato al canale per affinare l'embedding dell'istanza e la politica di campionamento a ogni passo. Per gestire la dipendenza tra flussi, utilizza una fattorizzazione autoregressiva a blocchi, che aiuta a mantenere gestibile la complessità sequenziale. Per il rilevamento a uscita rigida, viene utilizzata una rete di transizione addestrata basata su un curriculum residuo-a-BER, concentrandosi prima sulla geometria di ricerca MIMO e poi allineandosi con l'accuratezza dei bit trasmessi. Negli scenari a uscita morbida, la politica rigida stabilita viene applicata uniformemente ai livelli di un decodificatore soft-input soft-output. Questo lavoro sembra pensato per una presentazione a conferenza e mira a migliorare l'efficienza nel rilevamento MIMO, cruciale per i moderni sistemi wireless.