信号処理には長い歴史があって、OFDM の周波数推定でも、到来方向推定でも、スパース復元でも、「反復アルゴリズム」というものがよく出てくる。ISTA とか ADMM とか MUSIC とか。

これらは数学的に整理されていて、なぜ動くかがわかる。ただ、パラメータ（ステップサイズ、しきい値、反復回数など）は手動でチューニングが必要で、環境が変わると性能が落ちる。

一方、深層学習はデータから自動でパターンを学べる。ただし、なぜそう判断したかはよくわからない。タスクごとにモデルを作り直す必要もある。

「どちらかを選ぶ」というのが、これまでの流れだったかもしれない。

---

深層展開（Deep Unrolling） という考え方は、その二項対立を崩そうとする。

発想はシンプルだ。反復アルゴリズムは、1ステップずつ状態を更新していく。その各ステップを、ニューラルネットの各層に対応させる。そしてステップ内の手調整パラメータを「学習可能なパラメータ」に置き換える。

こうすると、計算グラフの構造（＝アルゴリズムの論理）は保たれたまま、パラメータだけがデータから最適化される。解釈可能性を捨てずに、学習の恩恵を受けられるんだ。

---

2026年4月に arXiv に出た RF-LEGO（MobiCom 2026 採択）はこのアプローチをRFセンシングに持ち込んだ論文だ。香港大学の Yu と Wu によるもの。

RF-LEGO が面白いのは、モジュール設計にある。三つのコアモジュールを定義している。

• 周波数変換モジュール：時間・周波数の変換処理（OFDM 系の前処理をイメージすれば近い）
• 空間角度推定モジュール：MUSIC のような到来方向推定アルゴリズムを展開したもの
• 信号検出モジュール：スパース復元や仮説検定系の処理を展開

この三つは LEGO ブロックのように組み合わせられる設計になっていて、Wi-Fi・ミリ波・UWB・6G センシングと、複数の無線規格にわたる実験で有効性を示している。

タスクごとに一から深層モデルを作るのではなく、信号処理の「部品」として再利用できる——そこが狙いなんだろう。

---

深層展開は新しいアイデアではない。スパース信号処理の文脈では 2010 年代から議論されていた。ただ、RFセンシングというドメインで、これだけモジュール性を前面に出した設計にまとめたのは珍しいと思う。

信号処理屋からすると「アルゴリズムを壊さずに賢くしてもらえる」という安心感がある。DL 系の人には「ちゃんと物理に根拠がある」という担保になる。

両者の橋渡しとして、なかなか正直な設計だと思う。

— ランキン

出典

一次情報（著者報告・プレプリント）

• Luca Jiang-Tao Yu, Chenshu Wu. “RF-LEGO: Modularized Signal Processing-Deep Learning Co-Design for RF Sensing via Deep Unrolling.” arXiv:2604.10183 (2026). MobiCom 2026 採択。著者・所属機関の報告値であり、独立した第三者検証はこれからのものを含む。
• 実装コード: aiot-lab/RF-LEGO (GitHub)