論文の概要: Benchmarking Learnt Radio Localisation under Distribution Shift

• arxiv url: http://arxiv.org/abs/2210.01930v1
• Date: Tue, 4 Oct 2022 22:04:45 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-06 15:31:07.681341
• Title: Benchmarking Learnt Radio Localisation under Distribution Shift
• Title（参考訳）: 分布シフト下での無線局所化を学習するベンチマーク
• Authors: Maximilian Arnold, Mohammed Alloulah
• Abstract要約: RadioBenchは8つの学習されたローカライザネットのスイートで、彼らの実世界のデプロイ可能性を研究し、ベンチマークする。 我々は、学習したローカライザネットの内部動作を分析し、それらの異なる振る舞いを明らかにするために、10kモデルを訓練する。 この分析から得られた知見を用いて,実践的制約下での学習に基づくRFローカライゼーションの展開性に関するベストプラクティスを推奨する。
• 参考スコア（独自算出の注目度）: 1.6219158909792257
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deploying radio frequency (RF) localisation systems invariably entails non-trivial effort, particularly for the latest learning-based breeds. There has been little prior work on characterising and comparing how learnt localiser networks can be deployed in the field under real-world RF distribution shifts. In this paper, we present RadioBench: a suite of 8 learnt localiser nets from the state-of-the-art to study and benchmark their real-world deployability, utilising five novel industry-grade datasets. We train 10k models to analyse the inner workings of these learnt localiser nets and uncover their differing behaviours across three performance axes: (i) learning, (ii) proneness to distribution shift, and (iii) localisation. We use insights gained from this analysis to recommend best practices for the deployability of learning-based RF localisation under practical constraints.
• Abstract（参考訳）: 無線周波数(RF)ローカライゼーションシステムの展開は、特に最新の学習ベースの品種において、必然的な努力を必要とする。 実世界のRF分布シフトの下で、学習したローカライザネットワークが現場にどのように展開できるかを特徴付け、比較する作業はほとんど行われていない。 本稿では,RadioBenchについて紹介する。RadioBench: 最先端技術から学習した8つのローカライザネットを用いて,その実環境のデプロイ性を調査し,ベンチマークする。 学習したローカライザネットの内部動作を分析して,3つのパフォーマンス軸の異なる動作を明らかにするために,10kモデルをトレーニングする。 学習; 学習; 学習 (ii)流通シフトの傾向、及び (iii)ローカライズ。 この分析から得られた知見を用いて,実践的制約下での学習に基づくRFローカライゼーションの展開性に関するベストプラクティスを推奨する。

関連論文リスト

• Referee-Meta-Learning for Fast Adaptation of Locational Fairness [26.770426062329165]
  本稿では,深層ニューラルネットワークのメタトレーニングとメタテストを行うために,位置的メタ参照(Meta-Ref)を提案する。 また,Meta-Refは全体の予測品質を同等に保ちながら,位置の公平性を向上できることを示す。
  論文  参考訳（メタデータ） (2024-02-20T21:09:04Z)
• A Meta-learning based Generalizable Indoor Localization Model using Channel State Information [8.302375673936387]
  本稿では,データセットが制限された場合の一般化性の向上を目的としたメタ学習アルゴリズムTB-MAMLを提案する。 TB-MAMLに基づくローカライゼーションモデルと,他のメタ学習アルゴリズムを用いたローカライゼーションの性能評価を行った。
  論文  参考訳（メタデータ） (2023-05-22T19:54:59Z)
• On the Effective Usage of Priors in RSS-based Localization [56.68864078417909]
  本稿では、受信信号強度(RSS)指紋と畳み込みニューラルネットワークに基づくアルゴリズムLocUNetを提案する。 本稿では,密集市街地における局所化問題について検討する。 まず,LocUNetがRx位置やRxの事前分布を学習し,トレーニングデータから送信者(Tx)アソシエーションの好みを学習し,その性能を評価できることを示す。
  論文  参考訳（メタデータ） (2022-11-28T00:31:02Z)
• Change Detection for Local Explainability in Evolving Data Streams [72.4816340552763]
  局所的特徴帰属法はポストホックやモデルに依存しない説明法として人気がある。 ローカルな属性が、ストリーミングやオンラインアプリケーションのような、現実的で絶えず変化する設定でどのように振る舞うかは、しばしば不明である。 局所変化と概念ドリフトを検出するフレキシブルでモデルに依存しないCDLEEDSを提案する。
  論文  参考訳（メタデータ） (2022-09-06T18:38:34Z)
• LUNAR: Unifying Local Outlier Detection Methods via Graph Neural Networks [17.586486249721265]
  LUNARは、各ノードの最も近い隣人から、トレーニング可能な方法で情報を使用して異常を見つけることを学ぶ。 提案手法は,既存の局所的外れ値法や最先端の深層ベースラインよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2021-12-10T06:50:32Z)
• Enhancing Prototypical Few-Shot Learning by Leveraging the Local-Level Strategy [75.63022284445945]
  既存の作業では、ローカルレベルの機能をすべて混ぜることで、イメージレベルの機能に基づいた、いくつかのショットモデルを構築することがよくあります。 a) 基地と新規カテゴリーの識別的位置バイアスを回避するための地域非依存のトレーニング戦略,(b) 地域レベルの特徴の正確な比較を捉えるための新しい地域レベルの類似度尺度を提案する。
  論文  参考訳（メタデータ） (2021-11-08T08:45:15Z)
• Real-time Outdoor Localization Using Radio Maps: A Deep Learning Approach [59.17191114000146]
  LocUNet: ローカライゼーションタスクのための畳み込み、エンドツーエンドのトレーニングニューラルネットワーク(NN)。 我々は,LocUNetがユーザを最先端の精度でローカライズし,無線マップ推定における不正確性が高いことを示す。
  論文  参考訳（メタデータ） (2021-06-23T17:27:04Z)
• WILDS: A Benchmark of in-the-Wild Distribution Shifts [157.53410583509924]
  分散シフトは、ワイルドにデプロイされた機械学習システムの精度を実質的に低下させることができる。 分散シフトの多様な範囲を反映した8つのベンチマークデータセットのキュレーションコレクションであるWILDSを紹介します。 本研究は, 標準訓練の結果, 分布性能よりも, 分布域外性能が有意に低下することを示す。
  論文  参考訳（メタデータ） (2020-12-14T11:14:56Z)
• Region Comparison Network for Interpretable Few-shot Image Classification [97.97902360117368]
  新しいクラスのモデルをトレーニングするために、ラベル付きサンプルの限られた数だけを効果的に活用するための画像分類が提案されている。 本研究では,領域比較ネットワーク (RCN) と呼ばれる距離学習に基づく手法を提案する。 また,タスクのレベルからカテゴリへの解釈可能性の一般化も提案する。
  論文  参考訳（メタデータ） (2020-09-08T07:29:05Z)

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。