論文の概要: A Unified Prediction Framework for Signal Maps

• arxiv url: http://arxiv.org/abs/2202.03679v1
• Date: Tue, 8 Feb 2022 06:52:50 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-09 16:17:42.631609
• Title: A Unified Prediction Framework for Signal Maps
• Title（参考訳）: 信号マップの統一予測フレームワーク
• Authors: Emmanouil Alimpertis (1), Athina Markopoulou (1), Carter T. Butts (1), Evita Bakopoulou (1), Konstantinos Psounis (2) ((1) University of California Irvine (2) University of Southern California)
• Abstract要約: 我々は、限られた測定値から細胞信号マップを予測するための統一的なフレームワークを開発する。 我々は、全ての測定が特定の予測タスクに等しく重要であるわけではないという事実に対処する3つのメカニズムを組み合わせる。 いくつかの実世界のデータセットを用いて,提案手法を評価し,予測性能を著しく向上させた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Signal maps are essential for the planning and operation of cellular networks. However, the measurements needed to create such maps are expensive, often biased, not always reflecting the metrics of interest, and posing privacy risks. In this paper, we develop a unified framework for predicting cellular signal maps from limited measurements. We propose and combine three mechanisms that deal with the fact that not all measurements are equally important for a particular prediction task. First, we design \emph{quality-of-service functions ($Q$)}, including signal strength (RSRP) but also other metrics of interest, such as coverage (improving recall by 76\%-92\%) and call drop probability (reducing error by as much as 32\%). By implicitly altering the training loss function, quality functions can also improve prediction for RSRP itself where it matters (e.g. MSE reduction up to 27\% in the low signal strength regime, where errors are critical). Second, we introduce \emph{weight functions} ($W$) to specify the relative importance of prediction at different parts of the feature space. We propose re-weighting based on importance sampling to obtain unbiased estimators when the sampling and target distributions mismatch(yielding 20\% improvement for targets on spatially uniform loss or on user population density). Third, we apply the {\em Data Shapley} framework for the first time in this context: to assign values ($\phi$) to individual measurement points, which capture the importance of their contribution to the prediction task. This can improve prediction (e.g. from 64\% to 94\% in recall for coverage loss) by removing points with negative values, and can also enable data minimization (i.e. we show that we can remove 70\% of data w/o loss in performance). We evaluate our methods and demonstrate significant improvement in prediction performance, using several real-world datasets.
• Abstract（参考訳）: セルラーネットワークの計画と運用には信号マップが不可欠である。 しかし、そのような地図を作成するのに必要な測定値は高価で、しばしば偏りがあり、常に関心の指標を反映しているとは限らない。 本稿では,限られた測定値から細胞信号マップを予測するための統一フレームワークを開発した。 我々は,全ての測定が特定の予測タスクにおいて等しく重要であるわけではないという事実に対処する3つのメカニズムを提案し,組み合わせる。 まず、信号強度(RSRP)を含む‘emph{quality-of-service’関数(Q$)を設計すると同時に、カバレッジ(76\%-92\%のリコール改善)やコールドロップ確率(32\%のエラー低減)など、他の関心の指標も設計する。 トレーニング損失関数を暗黙的に変更することで、品質関数はRSRP自体の重要箇所の予測を改善することができる(例えば、エラーが重要となる低信号強度レギュレーションにおいて、MSEの最大27%の削減)。 第二に、特徴空間の異なる部分における予測の相対的重要性を特定するために、emph{weight function}(W$)を導入する。 本研究では、サンプリングとターゲット分布のミスマッチ(空間的均一な損失やユーザ人口密度に対する目標に対する20倍の改善)において、重要サンプリングに基づく再重み付けを提案する。 第3に、"em data shapley} フレームワークをこのコンテキストで初めて適用する。 予測タスクへの貢献の重要性を捉えた個々の測定ポイントに値($\phi$)を割り当てる。 これにより、負の値を持つ点を取り除くことによって予測(カバレッジ損失のリコール時の64\%から94\%)を改善でき、データ最小化(つまり、データw/o損失の70\%を性能で排除できることを示す)も可能となる。 いくつかの実世界のデータセットを用いて,提案手法を評価し,予測性能を大幅に改善した。

関連論文リスト

• A Meta-Learning Approach to Predicting Performance and Data Requirements [163.4412093478316]
  本稿では,モデルが目標性能に達するために必要なサンプル数を推定する手法を提案する。 モデル性能を推定するデファクト原理であるパワー法則が,小さなデータセットを使用する場合の誤差が大きいことが判明した。 本稿では,2つのデータを異なる方法で処理するPPL法について紹介する。
  論文  参考訳（メタデータ） (2023-03-02T21:48:22Z)
• Dual Accuracy-Quality-Driven Neural Network for Prediction Interval Generation [0.0]
  本稿では,回帰に基づくニューラルネットワークの予測間隔を自動的に学習する手法を提案する。 我々の主な貢献は、PI世代ネットワークのための新しい損失関数の設計である。 合成データセット,8つのベンチマークデータセット,および実世界の収量予測データセットを用いて実験したところ,本手法は有意な確率カバレッジを維持することができた。
  論文  参考訳（メタデータ） (2022-12-13T05:03:16Z)
• Patch-level Gaze Distribution Prediction for Gaze Following [49.93340533068501]
  トレーニング後の視線に対するパッチ分布予測(PDP)手法を提案する。 本モデルでは,アノテーションの差が大きい画像上でのより優れたヒートマップ分布を予測することにより,MSE損失の正則化を図っている。 実験により,ターゲット予測とイン/アウト予測サブタスクのギャップを埋めるモデルが得られた。
  論文  参考訳（メタデータ） (2022-11-20T19:25:15Z)
• Accurate Prediction and Uncertainty Estimation using Decoupled Prediction Interval Networks [0.0]
  精度を犠牲にすることなく、回帰に基づく予測の不確かさを確実に推定できるネットワークアーキテクチャを提案する。 予測と予測間隔(PI)推定の学習を2段階の学習プロセスに分解することで、これを実現する。 提案手法を,合成データセットおよびUCIベンチマーク上での最先端不確実性定量化アルゴリズムと比較し,予測誤差を23～34%削減した。
  論文  参考訳（メタデータ） (2022-02-19T19:31:36Z)
• Learning to Predict Trustworthiness with Steep Slope Loss [69.40817968905495]
  本研究では,現実の大規模データセットにおける信頼性の予測問題について検討する。 我々は、先行技術損失関数で訓練された信頼性予測器が、正しい予測と誤った予測の両方を信頼に値するものとみなす傾向があることを観察する。 そこで我々は,2つのスライド状の曲線による不正確な予測から,特徴w.r.t.正しい予測を分離する,新たな急勾配損失を提案する。
  論文  参考訳（メタデータ） (2021-09-30T19:19:09Z)
• Probing Model Signal-Awareness via Prediction-Preserving Input Minimization [67.62847721118142]
  モデルが正しい脆弱性信号を捕捉して予測する能力を評価する。 SAR(Signal-Aware Recall)と呼ばれる新しい指標を用いて,モデルの信号認識を計測する。 その結果,90年代以降のリコールから60年代以降のリコールは,新たな指標で大幅に減少した。
  論文  参考訳（メタデータ） (2020-11-25T20:05:23Z)
• MetaDetect: Uncertainty Quantification and Prediction Quality Estimates for Object Detection [6.230751621285322]
  ディープニューラルネットワークを用いたオブジェクト検出では、ボックスワイドのオブジェクト性スコアは過信される傾向にある。 本稿では,任意のニューラルネットワークに対して予測不確実性推定と品質推定を提供するポスト処理手法を提案する。
  論文  参考訳（メタデータ） (2020-10-04T21:49:23Z)
• Learning a Unified Sample Weighting Network for Object Detection [113.98404690619982]
  地域サンプリングや重み付けは、現代の地域ベースの物体検出器の成功に極めて重要である。 サンプル重み付けはデータ依存でタスク依存であるべきだと我々は主張する。 サンプルのタスク重みを予測するための統一的なサンプル重み付けネットワークを提案する。
  論文  参考訳（メタデータ） (2020-06-11T16:19:16Z)
• Probabilistic Regression for Visual Tracking [193.05958682821444]
  本稿では,確率論的回帰定式化を提案し,追跡に適用する。 入力画像が与えられたターゲット状態の条件付き確率密度を予測する。 トラッカーは6つのデータセットに新しい最先端のデータをセットし、LaSOTでは59.8%、TrackingNetでは75.8%のAUCを達成した。
  論文  参考訳（メタデータ） (2020-03-27T17:58:37Z)

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。