Wireless Foundation Models: State-of-the-Art and Open Challenges

论文解决了什么问题

现有无线深度学习模型多针对特定任务、固定数据集或特定信道条件训练，难以适应 6G 网络中设备、频率、环境与干扰持续变化的复杂场景。尽管无线基础模型（WFMs）被寄予厚望，但相关文献在模态、预训练目标、架构、适配策略与评测协议上高度碎片化，缺乏对物理层任务族迁移能力的系统评估。

核心方法

本文采用结构化文献综述方法，依据 PRISMA 框架筛选 2024–2026 年间聚焦物理层的 WFM 研究，将其划分为五大任务族，并从输入模态、预训练策略（如对比学习、掩码重建、隐空间预测）、骨干架构、下游适配方式及分布偏移评测设定（ID/Partial/OOD）等维度进行模型级对比分析。

相较于 [15] 仅聚焦信道基础模型、[14] 侧重多模态预测控制应用、[16] 关注网络层流量、[19] 覆盖全栈但非任务中心化分析，本文首次以物理层五大任务族为分析单元，系统比较 WFM 的预训练、适配与分布偏移评测，并明确区分 ID/Partial/OOD 三类迁移证据强度。

实验结论

• 对比学习（如 IQFM）通过构造 I/Q 信号正负样本对提升跨信号变体的表征鲁棒性
• 掩码重建（如 SSRadio、6G WavesFM）利用频谱图、CSI 或 I/Q 数据的时空依赖实现自监督预训练
• 隐空间预测（如 I-JEPA 启发的方法）避免原始样本重建，聚焦高层语义或结构依赖学习
• 下游任务若与预训练数据高度相似，其迁移结果更可能反映领域适配而非基础模型泛化能力
• OOD 评测设定下任务或数据分布的显著差异，是验证严格基础模型行为的更强证据

局限性与证据边界

适合谁阅读