إيجاد البيانات المفقودة: نهج مستوحى من BERT لمكافحة فقدان الحزم في الاستشعار اللاسلكي

رغم تطور العديد من طرق التعلم العميق لاستشعار الشبكات اللاسلكية (واي فاي)، فإن فقدان الحزم غالبًا ما يؤدي إلى تقدير غير مستمر لمعلومات حالة القناة (Channel State Information - CSI)، مما يؤثر سلبًا على أداء نماذج التعلم. لتجاوز هذا التحدي، نقترح نموذج تعلم عميق يستند إلى تمثيلات المُشفِّر الثنائي من المتحولات (Bidirectional Encoder Representations from Transformers - BERT) لإعادة استرجاع معلومات حالة القناة، والذي أطلق عليه اسم CSI-BERT. يمكن تدريب CSI-BERT بطريقة ذاتية مراقبة على مجموعة البيانات المستهدفة دون الحاجة إلى بيانات إضافية. بالإضافة إلى ذلك، على عكس الطرق التقليدية للتقريب التي تركز على حامل فرعي واحد في كل مرة، يلتقط CSI-BERT العلاقات المتتابعة عبر مختلف الحاملات الفرعية. تظهر النتائج التجريبية أن CSI-BERT يحقق معدلات خطأ أقل وسرعة أعلى مقارنة بالطرق التقليدية للتقريب، حتى عند مواجهة معدلات فقدان عالية. علاوة على ذلك، من خلال الاستفادة من معلومات حالة القناة المسترجعة التي يتم الحصول عليها من CSI-BERT، يمكن لنماذج التعلم العميق الأخرى مثل شبكة البقايا (Residual Network) وشبكة العصبيات المتكررة (Recurrent Neural Network) تحقيق زيادة متوسطة في الدقة بنسبة حوالي 15٪ في مهام استشعار الشبكات اللاسلكية (واي فاي). مجموعة البيانات WiGesture والرمز البرمجي لنموذجنا متاحان بشكل عام على الرابط https://github.com/RS2002/CSI-BERT.