Beam-STeP：融合时空先验的生成式站点特定波束预测

基于摘要分析。本文研究无线通信中的站点特定波束预测，提出 Beam-STeP，将传播环境与移动信息提供的空间先验、历史波束观测提供的时间先验结合起来，以生成式方法处理未来波束预测的多解性；其研究对象不是神经信号或 BCI。 核心机制是以历史信息为条件的扩散模型，学习未来波束成形向量的多模态条件分布，再通过 DDIM 采样产生多个候选波束，最终选择接收功率最高的候选用于传输。这里的“多模态”涉及先验信息及条件分布的多解性，不能直接等同于 EEG 与其他生理信号的多模态融合。该方案并非仅输出单一预测，而是将候选生成与接收功率筛选结合；实际探测预算因此是理解效果的重要条件。 作者报告，在三个城市场景的仿真中，Beam-STeP 在相同探测预算下通常比基线获得更高的归一化波束成形增益，且随着预测推进优势更明显；站点特定传播与移动先验有助于递归波束预测，DDIM 采样可支持增益与时延之间的灵活权衡。摘要未提供具体增益、时延、基线名称或数据划分，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：历史条件生成可作为 EEG 多解时序预测的机制假设，但无线场景的接收功率筛选具有明确反馈，而 EEG 候选通常缺乏同等直接的在线质量判据；空间先验也须从传播与移动信息改造为适配通道及任务的表示。低信噪比、跨被试差异和小数据均可能使候选分布或筛选失效，目前不宜据此推荐 BCI 复现方案。已有 EEG 相关工作尚未检索确认。