AI 中文总结
提出MTL-BA框架，冻结预训练卷积骨干，仅元学习轻量级Scale-and-Shift适配器和分类头，实现毫米波MISO系统波束对齐，参数更新量减少约17倍，元训练轮次减少60%，性能接近全微调和MAML。
AI 中文摘要
毫米波波束对齐在下一代无线系统中扮演关键角色，但其高效实现仍具挑战。元学习和迁移学习已被探索用于使基于深度学习的波束预测模型快速适应未见环境；然而，现有元学习方法适应整个网络并从随机初始化训练，导致大量更新参数和高元训练成本，而迁移学习方法将适应限制在部分网络，但未利用显式跨任务训练模型的片段式元学习来优化适应过程本身。为克服这些限制，我们提出MTL-BA，一种用于毫米波多输入单输出（MISO）系统波束对齐的元迁移学习框架，该框架冻结预训练卷积骨干，仅元学习轻量级Scale-and-Shift（SS）适配器和分类头。从预训练模型热启动并将适应限制在SS适配器和分类头，可在不牺牲预测性能的情况下降低适应成本和元训练预算。在DeepMIMO光线追踪数据集上的仿真结果表明，尽管更新的参数比全微调和模型无关元学习（MAML）少约17倍，MTL-BA在各种信噪比水平下匹配全微调的精度和频谱效率，在更新可比参数数量的情况下优于最后一层微调，并在元训练轮次减少60%的情况下接近MAML的性能。
英文摘要
Millimeter-wave (mmWave) beam alignment is critical for next-generation wireless systems, but existing approaches either update all parameters during adaptation or restrict updates to a subset of layers without adapting intermediate feature representations. We propose MTL-BA, a meta-transfer learning framework for multiple-input single-output (MISO) beam alignment that freezes a pre-trained convolutional backbone and meta-learns lightweight Scale-and-Shift (SS) adapters and a classifier head. Under an outdoor-to-indoor shift in DeepMIMO, MTL-BA achieves the highest Top-1 accuracy among the evaluated methods at 35 dB while updating $17\times$ fewer parameters than full fine-tuning and meta-training $6\times$ faster than MAML.
Comments5 pages, 5 figures
