論文の概要: ML-based Approaches for Wireless NLOS Localization: Input
Representations and Uncertainty Estimation
- arxiv url: http://arxiv.org/abs/2304.11396v1
- Date: Sat, 22 Apr 2023 13:13:07 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-25 18:38:17.278122
- Title: ML-based Approaches for Wireless NLOS Localization: Input
Representations and Uncertainty Estimation
- Title(参考訳): mlに基づく無線nlos定位手法 : 入力表現と不確実性推定
- Authors: Rafayel Darbinyan, Hrant Khachatrian, Rafayel Mkrtchyan, Theofanis P.
Raptis
- Abstract要約: 非線形(NLOS)ローカライゼーションは多くの無線ネットワークアプリケーションにおいて重要である。
本稿では, 単一無線無線経路特徴, (ii) 無線無線リンク特徴 (multi-path) および (iii) 画像ベース表現の3つの異なる入力表現について検討する。
後者の2つの新しい表現に触発されて、2つの畳み込みニューラルネットワーク(CNN)を設計し、NLOSのローカライゼーション性能を著しく改善していないが、よりリッチな予測出力をサポートすることができることを示した。
- 参考スコア(独自算出の注目度): 2.2748974006378933
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The challenging problem of non-line-of-sight (NLOS) localization is critical
for many wireless networking applications. The lack of available datasets has
made NLOS localization difficult to tackle with ML-driven methods, but recent
developments in synthetic dataset generation have provided new opportunities
for research. This paper explores three different input representations: (i)
single wireless radio path features, (ii) wireless radio link features
(multi-path), and (iii) image-based representations. Inspired by the two latter
new representations, we design two convolutional neural networks (CNNs) and we
demonstrate that, although not significantly improving the NLOS localization
performance, they are able to support richer prediction outputs, thus allowing
deeper analysis of the predictions. In particular, the richer outputs enable
reliable identification of non-trustworthy predictions and support the
prediction of the top-K candidate locations for a given instance. We also
measure how the availability of various features (such as angles of signal
departure and arrival) affects the model's performance, providing insights
about the types of data that should be collected for enhanced NLOS
localization. Our insights motivate future work on building more efficient
neural architectures and input representations for improved NLOS localization
performance, along with additional useful application features.
- Abstract(参考訳): 非線形(NLOS)ローカライゼーションの難しい問題は、多くの無線ネットワークアプリケーションにとって重要である。
利用可能なデータセットの欠如により、NLOSのローカライゼーションはML駆動の手法に対処することが難しくなったが、最近の合成データセット生成の発展は研究の新たな機会となった。
本稿では3つの異なる入力表現について述べる。
(i)単一無線無線経路機能
(ii)無線無線リンク機能(複数経路)、及び
(iii)画像に基づく表現。
後者の2つの新しい表現に触発されて、2つの畳み込みニューラルネットワーク(CNN)を設計し、NLOSのローカライゼーション性能を著しく改善していないが、よりリッチな予測出力をサポートでき、予測をより深く分析できることを示した。
特に、よりリッチな出力は、信頼できない予測の信頼できる識別を可能にし、与えられたインスタンスの上位K候補位置の予測をサポートする。
また,NLOSのローカライゼーションを向上するために収集すべきデータの種類について,様々な特徴(信号の出発角や到着角など)がモデルの性能に与える影響を計測する。
我々の洞察は、NLOSローカライゼーション性能を改善するために、より効率的なニューラルネットワークと入力表現を構築するための将来の取り組みを動機付けます。
関連論文リスト
- PNeRFLoc: Visual Localization with Point-based Neural Radiance Fields [54.8553158441296]
統一された点ベース表現に基づく新しい視覚的ローカライゼーションフレームワーク PNeRFLoc を提案する。
一方、PNeRFLocは2次元特徴点と3次元特徴点をマッチングして初期ポーズ推定をサポートする。
一方、レンダリングベースの最適化を用いた新しいビュー合成によるポーズ改善も実現している。
論文 参考訳(メタデータ) (2023-12-17T08:30:00Z) - Visual Prompting Upgrades Neural Network Sparsification: A Data-Model
Perspective [67.25782152459851]
より優れた重量空間を実現するために、新しいデータモデル共設計視点を導入する。
具体的には、提案したVPNフレームワークでニューラルネットワークのスパーシフィケーションをアップグレードするために、カスタマイズされたVisual Promptが実装されている。
論文 参考訳(メタデータ) (2023-12-03T13:50:24Z) - Leveraging Neural Radiance Fields for Uncertainty-Aware Visual
Localization [56.95046107046027]
我々は,Neural Radiance Fields (NeRF) を用いてシーン座標回帰のためのトレーニングサンプルを生成することを提案する。
レンダリングにおけるNeRFの効率にもかかわらず、レンダリングされたデータの多くはアーティファクトによって汚染されるか、最小限の情報ゲインしか含まない。
論文 参考訳(メタデータ) (2023-10-10T20:11:13Z) - Efficient Model Adaptation for Continual Learning at the Edge [15.334881190102895]
ほとんどの機械学習(ML)システムは、トレーニングとデプロイメントの間、定常的で一致したデータ分散を前提としている。
データ分布は、環境要因、センサー特性、タスク・オブ・関心などの変化により、時間とともに変化することが多い。
本稿では,ドメインシフト下での効率的な連続学習のためのアダプタ・リコンフィグレータ(EAR)フレームワークを提案する。
論文 参考訳(メタデータ) (2023-08-03T23:55:17Z) - 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) - Interpretable AI-based Large-scale 3D Pathloss Prediction Model for
enabling Emerging Self-Driving Networks [3.710841042000923]
本稿では,新しい鍵予測器を応用した機械学習モデルを提案する。
予測,一般化,計算性能の観点から各種MLアルゴリズムの性能を定量的に評価することにより,光グラディエントブースティングマシン(LightGBM)アルゴリズムが全体として他のアルゴリズムより優れていることを示す。
論文 参考訳(メタデータ) (2022-01-30T19:50:16Z) - Towards Open-World Feature Extrapolation: An Inductive Graph Learning
Approach [80.8446673089281]
グラフ表現と学習を伴う新しい学習パラダイムを提案する。
本フレームワークは,1) 下位モデルとしてのバックボーンネットワーク(フィードフォワードニューラルネットなど)が,予測ラベルの入力および出力として機能を取り,2) 上位モデルとしてのグラフニューラルネットワークが,観測データから構築された特徴データグラフをメッセージパッシングすることで,新機能の埋め込みを外挿することを学ぶ。
論文 参考訳(メタデータ) (2021-10-09T09:02:45Z) - Feature Extraction for Machine Learning-based Intrusion Detection in IoT
Networks [6.6147550436077776]
本稿では, 特徴量削減 (FR) と機械学習 (ML) の手法が, 様々なデータセットにまたがって一般化できるかどうかを明らかにすることを目的とする。
主成分分析(PCA)、自動エンコーダ(AE)、線形識別分析(LDA)の3つの特徴抽出(FE)アルゴリズムの検出精度を評価する。
論文 参考訳(メタデータ) (2021-08-28T23:52:18Z) - Contextual HyperNetworks for Novel Feature Adaptation [43.49619456740745]
Contextual HyperNetwork(CHN)は、ベースモデルを新機能に拡張するためのパラメータを生成する。
予測時、CHNはニューラルネットワークを通る単一のフォワードパスのみを必要とし、大幅なスピードアップをもたらす。
本システムでは,既存のインプテーションやメタラーニングベースラインよりも,新しい特徴のマイズショット学習性能が向上することを示す。
論文 参考訳(メタデータ) (2021-04-12T23:19:49Z) - Diversity inducing Information Bottleneck in Model Ensembles [73.80615604822435]
本稿では,予測の多様性を奨励することで,ニューラルネットワークの効果的なアンサンブルを生成する問題をターゲットにする。
そこで本研究では,潜伏変数の学習における逆損失の多様性を明示的に最適化し,マルチモーダルデータのモデリングに必要な出力予測の多様性を得る。
最も競争力のあるベースラインと比較して、データ分布の変化の下で、分類精度が大幅に向上した。
論文 参考訳(メタデータ) (2020-03-10T03:10:41Z)
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。