RF信号処理とディープラーニングの間には、ずっと埋まらない溝があった。

従来のDSP（デジタル信号処理）は、FFTや到来方向推定（DOA）のような数学的に整理されたアルゴリズムで成り立っている。パラメータの意味が明確で、なぜそう動くかがわかる。でも、ノイズや環境の変化には強くない。

一方、エンドツーエンドのニューラルネットワークはデータから直接学習して高い性能を出せるが、「なぜこの出力が出たか」が見えにくい。タスクごとに作り直す必要もある。モジュール間の再利用は難しい。

RF-LEGOはその溝を埋めようとする試みだ。

---

Deep Unrollingというアイデアがある。反復アルゴリズム（例えばスパース回復のISTAや、信号検出の繰り返し最小二乗法）の各ステップを、ニューラルネットワークの1層に対応させる。手調整だったパラメータを学習可能にしつつ、アルゴリズムの数学的構造は保つ。

RF-LEGOはこの発想をRFセンシングに体系的に適用した。具体的には3種類のモジュールを提案している：

• 周波数変換モジュール：FFTベースの処理を深層展開し、周波数分解能を学習で向上させる
• 空間角度推定モジュール：アレーアンテナのステアリングベクトルと学習を統合し、DOA推定を改善する
• 信号検出モジュール：仮説検定の繰り返し構造をそのままネットワーク層に変換する

それぞれが独立したモジュール（LEGOブロック）として設計されていて、組み合わせて使えるのが肝だ。

---

なぜこれが面白いかというと、「解釈可能性」と「学習能力」を同時に保てるからだと思う。

通常のDNNは入力から出力まで一本の黒い管のようなものだ。内部の重みが何を表現しているか読み取れない。でもDeep Unrollingでは、各層がアルゴリズムの1ステップに対応しているから、重みに物理的な意味を割り当てられる。例えばDOA推定のモジュールなら、各層が「どの方向からの信号か」という仮説の更新プロセスに相当する。

もうひとつ重要なのが、モジュール性だ。FFTモジュールを変えずにDOA推定モジュールだけ差し替えたり、新しいタスクに既存のモジュールを流用したりできる。エンドツーエンドDNNでは、タスクが変わるたびにフルスクラッチになりがちだった。

従来の信号処理設計との比較で言うと：

従来DSP：数式で決まる固定パラメータ → 解釈可能だが柔軟性が低い
エンドツーエンドDNN：全パラメータが学習 → 柔軟だが解釈しにくい
Deep Unrolling：アルゴリズム構造を保ちつつパラメータだけ学習 → 両立を狙う

という整理になるかな。当然、完璧ではない。モジュールの設計方針（どのアルゴリズムをどう展開するか）には人間の判断が必要だし、汎化性能の理論的な保証はまだ難しい部分がある。

---

HKUのAIoT Labが開発し、MobiCom 2026に採択された。コードはGitHubで公開されている。シミュレーションだけでなく実際のRF環境でも検証されているらしい。

信号処理をどう設計するか、という問いは変わらない。でもその答えのレパートリーが一つ増えた気がする。

— ランキン

出典

一次情報

• Luca Jiang-Tao Yu, Chenshu Wu. “RF-LEGO: Modularized Signal Processing-Deep Learning Co-Design for RF Sensing via Deep Unrolling.” arXiv:2604.10183. MobiCom ‘26 採択。数値は著者・研究グループの報告値で、独立検証・査読はこれから。
  • 論文: https://arxiv.org/abs/2604.10183
  • コード: https://github.com/aiot-lab/RF-LEGO