المعلومات الحالة القناة (CSI) هي الركيزة الأساسية في أنظمة الاتصال اللاسلكي وأنظمة الاستشعار. في أنظمة الاتصال اللاسلكي، توفر المعلومات الحالة القناة رؤى أساسية حول ظروف القناة، مما يمكّن من تحسينات النظام مثل تعويض القناة وتخصيص الموارد الديناميكي. ومع ذلك، فإن التعقيد الحسابي العالي لخوارزميات تقدير المعلومات الحالة القناة يتطلب تطوير طرق التعلم العميق السريعة للتنبؤ بـ CSI. في أنظمة الاستشعار اللاسلكي، يمكن استخدام المعلومات الحالة القناة لاستنتاج التغيرات البيئية، مما يسهل وظائف متنوعة مثل التعرف على الإيماءات وتحديد الأشخاص. أثبتت طرق التعلم العميق مزايا كبيرة على النماذج المستندة إلى البيانات في هذه المهام الفرعية الدقيقة لتصنيف CSI، خاصة عندما تختلف الفئات عبر سيناريوهات مختلفة. ومع ذلك، فإن تحديًا رئيسيًا في تدريب شبكات التعلم العميق لأنظمة الاتصال اللاسلكي هو نقص البيانات المتاحة بشكل محدود، وهو ما يزداد تعقيدًا بسبب تنسيقات البيانات المختلفة في العديد من قواعد البيانات العامة، مما يعوق عملية الاندماج. بالإضافة إلى ذلك، يمكن أن يكون جمع بيانات CSI مكلفًا للغاية ويحتاج إلى وقت وجهد كبيرين. لمواجهة هذه التحديات، نقترح استخدام CSI-BERT2 لأداء مهام التنبؤ والتصنيف باستخدام المعلومات الحالة القناة، حيث يتم استغلال البيانات المحدودة بكفاءة من خلال نهج التدريب الأولي والتدريب الدقيق. بناءً على CSI-BERT1، نعزز هندسة النموذج بإدخال طبقة إعادة الوزن المتكيفة (Adaptive Re-Weighting Layer - ARL) وشبكة العصبونات متعددة الطبقات (Multi-Layer Perceptron - MLP) لالتقاط المعلومات الخاصة بالحمل الجزئي ومعلومات الوقت بدقة أكبر، مما يعالج مشكلة عدم تغير الترتيب (permutation-invariance). علاوة على ذلك，نحن نقترح طريقة تدريب دقيقة لنموذج التنبؤ بالقناع (Mask Prediction Model - MPM) لتحسين قابلية تكيف النموذج في مهام التنبؤ بالمعلومات الحالة القناة. أظهرت النتائج التجريبية أن CSI-BERT2 حقق أداءً رائدًا في جميع المهام.请注意：在最后一句中，“此外”一词后面使用了中文逗号，这可能是原文中的一个错误。在阿拉伯语翻译中，我将其替换为阿拉伯语逗号。如果需要保持中文逗号，请告知。