極値理論（EVT）に基づくテールを考慮した生成AIチャネル推定

要旨: 超高信頼かつ低遅延通信（URLLC）は、第5世代（5G）およびそれ以降のネットワークにおいて重要な役割を果たし、ミッションクリティカルなアプリケーションを可能にする。極めて低いパケット誤り率と最小限の遅延によって特徴づけられる、厳格なURLLC要件を満たすには、無線チャネルにおける稀な事象を正確に捉えるための高度な統計モデリングが求められる。大規模データセットに依存し、計算負荷の高い推定手法を用いる従来手法は、しばしばリアルタイムの状況では機能しない。本論文では、極値理論（EVT）と生成的人工知能（AI）を相乗的に統合することでURLLC要件を満たす、新しいフレームワークを提案する。EVTはチャネルの裾分布をモデル化するために用いられ、稀な事象の正確な特徴づけを可能にする。一方で、生成的AIはデータ拡張と、限られたサンプルからのチャネルパラメータ推定を可能にする。したがって、EVTと生成的AIの統合は、チャネル特性評価において極端な事象を捉えるうえでの生成モデルの限界を克服するのに役立つ。自動車環境で収集した実験データセットを用いて、この統合により、極端な分位に対するデータ拡張が向上する一方で、チャネル分布のオンライン推定において、従来の解析的EVT手法および生成ベースラインよりも少ないサンプル数で済むことを示す。