論文の概要: Multi-Environment based Meta-Learning with CSI Fingerprints for Radio Based Positioning

• arxiv url: http://arxiv.org/abs/2210.14510v1
• Date: Wed, 26 Oct 2022 06:43:42 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-27 13:47:08.225278
• Title: Multi-Environment based Meta-Learning with CSI Fingerprints for Radio Based Positioning
• Title（参考訳）: csi指紋を用いた無線測位用マルチ環境ベースメタラーニング
• Authors: Anastasios Foliadis, Mario H. Casta\~neda Garcia, Richard A. Stirling-Gallacher, Reiner S. Thom\"a
• Abstract要約: まず,環境に依存しない特徴を学習することを目的としたDLモデルを提案する。 第2部は、特定の環境に応じてこれらの特徴を組み合わせる。 新たな環境における位置決めにおいて,メタ学習環境独立関数を用いたDLモデルを初期化することにより,より高いUE位置決め精度が得られることを示す。
• 参考スコア（独自算出の注目度）: 2.541166904313997
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Radio based positioning of a user equipment (UE) based on deep learning (DL) methods using channel state information (CSI) fingerprints have shown promising results. DL models are able to capture complex properties embedded in the CSI about a particular environment and map UE's CSI to the UE's position. However, the CSI fingerprints and the DL models trained on such fingerprints are highly dependent on a particular propagation environment, which generally limits the transfer of knowledge of the DL models from one environment to another. In this paper, we propose a DL model consisting of two parts: the first part aims to learn environment independent features while the second part combines those features depending on the particular environment. To improve transfer learning, we propose a meta learning scheme for training the first part over multiple environments. We show that for positioning in a new environment, initializing a DL model with the meta learned environment independent function achieves higher UE positioning accuracy compared to regular transfer learning from one environment to the new environment, or compared to training the DL model from scratch with only fingerprints from the new environment. Our proposed scheme is able to create an environment independent function which can embed knowledge from multiple environments and more effectively learn from a new environment.
• Abstract（参考訳）: チャネル状態情報(CSI)指紋を用いた深層学習(DL)法に基づくユーザ機器(UE)の無線位置決めにより,有望な結果が得られた。 DLモデルは、特定の環境に関するCSIに埋め込まれた複雑なプロパティをキャプチャし、UEのCSIをUEの位置にマッピングすることができる。 しかし、そのような指紋で訓練されたCSI指紋とDLモデルは、特定の伝播環境に大きく依存しており、一般的にDLモデルの知識をある環境から別の環境へ伝達することを制限する。 本稿では,2つの部分からなるDLモデルを提案する。第1部は環境に依存しない特徴を学習することを目的としており,第2部は環境に依存した特徴を組み合わせている。 移動学習を改善するため,複数の環境上で第1部を学習するためのメタ学習手法を提案する。 新しい環境における位置決めについて,メタ学習環境独立関数を用いたdlモデルの初期化は,1つの環境から新しい環境への通常の転送学習よりも高いue位置決め精度を達成し,また,新たな環境からの指紋のみを用いてdlモデルをスクラッチからトレーニングすることと比較した。 提案手法は,複数の環境からの知識を埋め込み,新しい環境からより効果的に学習できる環境独立関数を作成することができる。

関連論文リスト

• ReALFRED: An Embodied Instruction Following Benchmark in Photo-Realistic Environments [13.988804095409133]
  本研究では,実世界のシーン,オブジェクト,部屋のレイアウトを取り入れたReALFREDベンチマークを提案する。 具体的には、視覚領域のギャップを小さくした環境空間を更新したALFREDベンチマークを拡張する。 ReALFREDでは、以前作られたALFREDベンチマークのメソッドを分析し、すべてのメトリクスで一貫して低いパフォーマンスが得られることを観察する。
  論文  参考訳（メタデータ） (2024-07-26T07:00:27Z)
• Transfer Learning for CSI-based Positioning with Multi-environment Meta-learning [1.1763850077553188]
  チャネル状態情報(CSI)指紋によるユーザ機器(UE)の無線位置決めのための深層学習(DL)技術は大きな可能性を示唆している。 本稿では,2つの部分からなる新しいDLモデル構造を提案する。第1部は特定の環境から独立な特徴を特定することを目的としており,第2部は環境特異的な特徴と位置決めの目的を組み合わせている。 その結果,新しい未確認環境におけるDLモデルの重み付けを初期化するためのMEML手法を用いることで,新たなターゲット環境におけるUE位置決めの精度が向上し,不確実性評価の信頼性が向上することが示唆された。
  論文  参考訳（メタデータ） (2024-05-20T06:23:22Z)
• Meta-Reinforcement Learning Using Model Parameters [8.442084903594528]
  本稿では,モデルパラメータを用いた強化学習エージェントRAMPを提案する。 RAMPは2つのフェーズで構築される。第1フェーズでは、マルチ環境パラメータ化動的モデルが学習される。 第2フェーズでは、モデルフリー強化学習エージェントのマルチ環境ポリシーのコンテキストとして、動的モデルのモデルパラメータが使用される。
  論文  参考訳（メタデータ） (2022-10-27T14:54:06Z)
• Visual-Language Navigation Pretraining via Prompt-based Environmental Self-exploration [83.96729205383501]
  本稿では,言語埋め込みの高速適応を実現するために,プロンプトベースの学習を導入する。 我々のモデルは、VLNやREVERIEを含む多様な視覚言語ナビゲーションタスクに適応することができる。
  論文  参考訳（メタデータ） (2022-03-08T11:01:24Z)
• Parallel Successive Learning for Dynamic Distributed Model Training over Heterogeneous Wireless Networks [50.68446003616802]
  フェデレートラーニング(Federated Learning, FedL)は、一連の無線デバイスにモデルトレーニングを配布する一般的なテクニックとして登場した。 我々は,FedLアーキテクチャを3次元に拡張した並列逐次学習(PSL)を開発した。 我々の分析は、分散機械学習におけるコールド対ウォームアップモデルの概念とモデル慣性について光を当てている。
  論文  参考訳（メタデータ） (2022-02-07T05:11:01Z)
• Few-Shot Transfer Learning for Device-Free Fingerprinting Indoor Localization [5.721124285238145]
  IoT(Internet of Things)におけるデバイスフリーワイヤレス屋内位置決め技術 指紋ベースの手法の一般的な課題は、データ収集とラベル付けである。 本稿では,現在の環境から少量のラベル付きデータのみを利用する,数発の転送学習システムを提案する。
  論文  参考訳（メタデータ） (2022-01-29T20:49:45Z)
• SILG: The Multi-environment Symbolic Interactive Language Grounding Benchmark [62.34200575624785]
  マルチ環境対話型言語グラウンドベンチマーク(SILG)を提案する。 SILGは、新しいダイナミクス、エンティティ、部分的に観察された世界(RTFM、Messenger、NetHack)への一般化を必要とするグリッドワールド環境で構成されている。 SILGを用いた自己中心型局所的畳み込み,再帰状態追跡,エンティティ中心の注意,事前訓練によるLMなどの最近の進歩を評価した。
  論文  参考訳（メタデータ） (2021-10-20T17:02:06Z)
• Learning to Continuously Optimize Wireless Resource in a Dynamic Environment: A Bilevel Optimization Perspective [52.497514255040514]
  この研究は、データ駆動メソッドが動的環境でリソース割り当て戦略を継続的に学び、最適化することを可能にする新しいアプローチを開発しています。 学習モデルが新たなエピソードに段階的に適応できるように、連続学習の概念を無線システム設計に組み込むことを提案する。 我々の設計は、異なるデータサンプルにまたがる公平性を保証する、新しい二段階最適化定式化に基づいている。
  論文  参考訳（メタデータ） (2021-05-03T07:23:39Z)
• Learning to Continuously Optimize Wireless Resource In Episodically Dynamic Environment [55.91291559442884]
  この研究は、データ駆動型手法が動的環境で継続的に学習し、最適化できる方法論を開発する。 本稿では,無線システム学習のモデリングプロセスに連続学習の概念を構築することを提案する。 我々の設計は、異なるデータサンプル間で「一定の公正性を保証する」新しいmin-maxの定式化に基づいている。
  論文  参考訳（メタデータ） (2020-11-16T08:24:34Z)
• Environment-agnostic Multitask Learning for Natural Language Grounded Navigation [88.69873520186017]
  本稿では,視覚言語ナビゲーション(VLN)タスクと対話履歴からのナビゲーション(NDH)タスクをシームレスにトレーニングできるマルチタスクナビゲーションモデルを提案する。 実験により、環境に依存しないマルチタスク学習は、目に見える環境と目に見えない環境の間のパフォーマンスギャップを著しく減少させることが示された。
  論文  参考訳（メタデータ） (2020-03-01T09:06:31Z)

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。