Resumen: La alineación de haz eficiente y confiable es un requisito crítico para los sistemas de salida múltiple (MIMO) de entrada múltiple de MMWAVE, especialmente en 6G y más allá, donde la comunicación debe ser rápida, adaptativa y resistente a las incertidumbres del mundo real. Los métodos de alineación del haz basado en el aprendizaje profundo (DL) existente a menudo descuidan las relaciones causales subyacentes entre las entradas y las salidas, lo que lleva a una interpretabilidad limitada, una pobre generalización y una sobrecarga innecesaria de barrido del haz. En este trabajo, proponemos un marco DL causalmente consciente que integra el descubrimiento causal en la tubería de gestión del haz. Particularmente, proponemos un nuevo algoritmo de selección de haz causal de dos etapas para identificar un conjunto mínimo de entradas relevantes para la predicción del haz. Primero, Causal Discovery aprende un gráfico bayesiano que captura las dependencias entre las entradas de energía recibidas y el haz óptimo. Luego, este gráfico guía la selección de características causales para el clasificador basado en DL. Los resultados de la simulación revelan que la selección de haz causal propuesta coincide con el rendimiento de los métodos convencionales, al tiempo que reduce drásticamente el tiempo de selección de entrada en un 94.4% y una sobrecarga de barrido de haz en un 59.4% al enfocarse solo en características causalmente relevantes.
Publicado Originalme en export.arxiv.org El 24 de agosto de 2025.
Ver Fuente Original
