論文の概要: A Comprehensive Survey of Machine Learning Based Localization with Wireless Signals

• arxiv url: http://arxiv.org/abs/2012.11171v1
• Date: Mon, 21 Dec 2020 08:10:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2021-04-27 06:18:34.944464
• Title: A Comprehensive Survey of Machine Learning Based Localization with Wireless Signals
• Title（参考訳）: 無線信号を用いた機械学習に基づく局所化に関する総合調査
• Authors: Daoud Burghal, Ashwin T. Ravi, Varun Rao, Abdullah A. Alghafis, Andreas F. Molisch
• Abstract要約: 本稿では,RF信号を用いた機械学習に基づくローカライズソリューションの包括的調査を行う。 本論文の主なポイントは、ローカリゼーションシステムの物理から生じるドメイン知識と、さまざまなMLアプローチとの相互作用である。 詳細な議論は、ローカリゼーションの問題に適用されたさまざまなMLメソッドに捧げられています。
• 参考スコア（独自算出の注目度）: 42.89359907212791
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The last few decades have witnessed a growing interest in location-based services. Using localization systems based on Radio Frequency (RF) signals has proven its efficacy for both indoor and outdoor applications. However, challenges remain with respect to both complexity and accuracy of such systems. Machine Learning (ML) is one of the most promising methods for mitigating these problems, as ML (especially deep learning) offers powerful practical data-driven tools that can be integrated into localization systems. In this paper, we provide a comprehensive survey of ML-based localization solutions that use RF signals. The survey spans different aspects, ranging from the system architectures, to the input features, the ML methods, and the datasets. A main point of the paper is the interaction between the domain knowledge arising from the physics of localization systems, and the various ML approaches. Besides the ML methods, the utilized input features play a major role in shaping the localization solution; we present a detailed discussion of the different features and what could influence them, be it the underlying wireless technology or standards or the preprocessing techniques. A detailed discussion is dedicated to the different ML methods that have been applied to localization problems, discussing the underlying problem and the solution structure. Furthermore, we summarize the different ways the datasets were acquired, and then list the publicly available ones. Overall, the survey categorizes and partly summarizes insights from almost 400 papers in this field. This survey is self-contained, as we provide a concise review of the main ML and wireless propagation concepts, which shall help the researchers in either field navigate through the surveyed solutions, and suggested open problems.
• Abstract（参考訳）: 過去数十年間、位置情報サービスへの関心が高まってきた。 無線周波数(RF)信号に基づくローカライゼーションシステムは,室内および屋外の両方で有効であることが証明されている。 しかし、これらのシステムの複雑さと正確性に関して課題は残る。 機械学習(ML)は、これらの問題を緩和するための最も有望な方法の1つであり、ML(特にディープラーニング)は、ローカライズシステムに統合可能な、強力な実用的なデータ駆動ツールを提供する。 本稿では,RF信号を用いたMLに基づくローカライズソリューションの総合的な調査を行う。 調査は、システムアーキテクチャから入力機能、MLメソッド、データセットまで、さまざまな側面にまたがっている。 本稿の主なポイントは、ローカライゼーションシステムの物理から生じるドメイン知識と、さまざまなMLアプローチとの相互作用である。 ML法以外にも,活用された入力機能は,ローカライゼーションソリューションを形成する上で重要な役割を担っている。我々は,その特徴と,それらにどのような影響を及ぼすか,基礎となる無線技術や標準,あるいはプリプロセス技術などについて,詳細な議論を行う。 ローカライズ問題に適用されたさまざまなmlメソッドに関する詳細な議論が行われ、基盤となる問題とソリューション構造について論じられている。 さらに,データセットの取得方法の相違点を要約し,公開可能なデータセットをリストアップする。 全体として、この調査はこの分野の約400の論文からの洞察を分類し、部分的に要約している。 このサーベイは自己完結型であり、MLと無線伝搬のコンセプトを簡潔にレビューすることで、調査対象の研究者が調査対象のソリューションをナビゲートし、オープンな問題を提案するのに役立つ。

関連論文リスト

• Survey on AI-Generated Media Detection: From Non-MLLM to MLLM [51.91311158085973]
  AI生成メディアを検出する方法は急速に進化してきた。 MLLMに基づく汎用検出器は、信頼性検証、説明可能性、ローカライゼーション機能を統合する。 倫理的・セキュリティ的な配慮が、重要な世界的な懸念として浮上している。
  論文  参考訳（メタデータ） (2025-02-07T12:18:20Z)
• A Survey of Machine Learning-based Physical-Layer Authentication in Wireless Communications [17.707450193500698]
  無線環境におけるユニークな特性の活用により,Physical-Layer Authentication (PLA) が有望な補完として浮上している。 本稿では,MLベースのPLAで使用可能な特徴と技術について,包括的に調査する。
  論文  参考訳（メタデータ） (2024-11-15T03:01:23Z)
• LLM Inference Unveiled: Survey and Roofline Model Insights [62.92811060490876]
  大規模言語モデル(LLM)推論は急速に進化しており、機会と課題のユニークなブレンドを提示している。 本調査は, 研究状況を要約するだけでなく, 屋上モデルに基づく枠組みを導入することによって, 従来の文献レビューから際立っている。 このフレームワークは、ハードウェアデバイスにLSMをデプロイする際のボトルネックを特定し、実用上の問題を明確に理解する。
  論文  参考訳（メタデータ） (2024-02-26T07:33:05Z)
• Federated Learning and Meta Learning: Approaches, Applications, and Directions [94.68423258028285]
  本稿では,FL,メタラーニング,フェデレーションメタラーニング(FedMeta)について概観する。 他のチュートリアルと異なり、私たちの目標はFL、メタラーニング、FedMetaの方法論をどのように設計、最適化、進化させ、無線ネットワーク上で応用するかを探ることです。
  論文  参考訳（メタデータ） (2022-10-24T10:59:29Z)
• Bridging the gap to real-world for network intrusion detection systems with data-centric approach [1.4699455652461724]
  本稿では、NIDS研究の現在の限界に対処するために、体系的なデータ中心のアプローチを提案する。 最新のネットワークトラフィックとアタックで構成されたNIDSデータセットを生成し、ラベリングプロセスは設計によって統合される。
  論文  参考訳（メタデータ） (2021-10-25T04:50:12Z)
• Federated Learning: A Signal Processing Perspective [144.63726413692876]
  フェデレーションラーニングは、データを明示的に交換することなく、ローカルデータセットを保持する複数のエッジデバイスでモデルをトレーニングするための新しい機械学習パラダイムです。 本稿では、信号処理ツールを用いて扱うのが自然である主な課題をカプセル化し、強調する、連合学習のための統一的な体系的フレームワークを提供する。
  論文  参考訳（メタデータ） (2021-03-31T15:14:39Z)
• Distributed Machine Learning for Wireless Communication Networks: Techniques, Architectures, and Applications [1.647426214278143]
  分散機械学習(DML)技術は、無線通信にますます応用されている。 大規模、地理的に分散したデプロイメント、ユーザモビリティ、大量のデータなど、無線システムのユニークな特徴は、DML技術の設計に新たな課題をもたらす。 この調査は、無線ネットワークに焦点をあてた、現代的で包括的なDML技術の調査を提供することによって、ギャップを埋めるものである。
  論文  参考訳（メタデータ） (2020-12-02T19:53:32Z)
• A Comprehensive Survey of Machine Learning Applied to Radar Signal Processing [7.758302353877527]
  現代のレーダーシステムには、精度、堅牢性、リアルタイム能力の面で高い要求がある。 従来のレーダー信号処理(RSP)手法は、そのような要求を満たす際にいくつかの制限を示してきた。 機械学習(ML)の急速な発展、特にディープラーニングにより、レーダー研究者はRSP関連の問題を解決する際にこれらの新しい手法を統合するようになった。
  論文  参考訳（メタデータ） (2020-09-29T00:30:52Z)
• Wireless for Machine Learning [91.13476340719087]
  我々は、分散データセット上で機械学習サービスをサポートするように設計された最先端のワイヤレス手法について、徹底的にレビューする。 文献にはアナログ・オーバー・ザ・エア計算とMLに最適化されたデジタル無線リソース管理という2つの明確なテーマがある。 このサーベイは、これらのメソッドを包括的に紹介し、最も重要な研究をレビューし、オープンな問題を強調し、アプリケーションのシナリオについて議論する。
  論文  参考訳（メタデータ） (2020-08-31T11:09:49Z)
• A Survey on Deep Learning for Localization and Mapping: Towards the Age of Spatial Machine Intelligence [48.67755344239951]
  包括的調査を行い、深層学習を用いた局所化とマッピングのための新しい分類法を提案する。 オードメトリ推定、マッピング、グローバルローカライゼーション、同時ローカライゼーション、マッピングなど、幅広いトピックがカバーされている。 この研究がロボティクス、コンピュータビジョン、機械学習コミュニティの新たな成果を結び付けることを願っている。
  論文  参考訳（メタデータ） (2020-06-22T19:01:21Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。