Fugu-MT 論文翻訳(概要): ProSpire: Proactive Spatial Prediction of Radio Environment Using Deep Learning

論文の概要: ProSpire: Proactive Spatial Prediction of Radio Environment Using Deep Learning

arxiv url: http://arxiv.org/abs/2308.10193v1
Date: Sun, 20 Aug 2023 07:48:34 GMT
ステータス: 処理完了
システム内更新日: 2023-08-22 17:10:56.747284
Title: ProSpire: Proactive Spatial Prediction of Radio Environment Using Deep Learning
Title（参考訳）: ProSpire: 深層学習を用いた無線環境の能動的空間予測
Authors: Shamik Sarkar, Dongning Guo, Danijela Cabric
Abstract要約: 本稿では,プロアクティブな空間予測のアイデアを活用することで,スペクトル共有を可能にする,教師付き深層学習フレームワークProSpireを提案する。 ProSpireの中核となるコンポーネントは、RSSu-netと呼ばれる深層学習に基づく画像から画像への変換手法である。評価の結果,RSSu-netは信号強度の予測において,絶対誤差が5dBであり,他の手法の平均誤差と同等であることがわかった。
参考スコア（独自算出の注目度）: 14.699706736648823
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Spatial prediction of the radio propagation environment of a transmitter can assist and improve various aspects of wireless networks. The majority of research in this domain can be categorized as 'reactive' spatial prediction, where the predictions are made based on a small set of measurements from an active transmitter whose radio environment is to be predicted. Emerging spectrum-sharing paradigms would benefit from 'proactive' spatial prediction of the radio environment, where the spatial predictions must be done for a transmitter for which no measurement has been collected. This paper proposes a novel, supervised deep learning-based framework, ProSpire, that enables spectrum sharing by leveraging the idea of proactive spatial prediction. We carefully address several challenges in ProSpire, such as designing a framework that conveniently collects training data for learning, performing the predictions in a fast manner, enabling operations without an area map, and ensuring that the predictions do not lead to undesired interference. ProSpire relies on the crowdsourcing of transmitters and receivers during their normal operations to address some of the aforementioned challenges. The core component of ProSpire is a deep learning-based image-to-image translation method, which we call RSSu-net. We generate several diverse datasets using ray tracing software and numerically evaluate ProSpire. Our evaluations show that RSSu-net performs reasonably well in terms of signal strength prediction, 5 dB mean absolute error, which is comparable to the average error of other relevant methods. Importantly, due to the merits of RSSu-net, ProSpire creates proactive boundaries around transmitters such that they can be activated with 97% probability of not causing interference. In this regard, the performance of RSSu-net is 19% better than that of other comparable methods.
Abstract（参考訳）: 送信機の電波伝搬環境の空間的予測は、無線ネットワークの様々な側面を支援し改善することができる。この領域でのほとんどの研究は「反応性」な空間予測に分類することができ、無線環境が予測されるアクティブな送信機からの小さな測定結果に基づいて予測を行うことができる。新たなスペクトル共有パラダイムは、計測されていない送信機に対して空間予測を行う必要がある無線環境の「積極的に」空間予測の恩恵を受ける。本稿では,プロアクティブな空間予測のアイデアを活かしてスペクトル共有を実現する,新しい教師付きディープラーニングフレームワークprospireを提案する。 ProSpireでは、学習のためのトレーニングデータを便利に収集するフレームワークを設計し、高速に予測を行い、エリアマップのない操作を可能にし、予測が望ましくない干渉を生じさせないようにするなど、いくつかの課題に慎重に対処している。 ProSpireは上記の課題に対処するために、通常の運用中に送信機と受信機のクラウドソーシングに頼っている。 ProSpireのコアコンポーネントは、RSSu-netと呼ばれる深層学習に基づく画像から画像への変換手法である。レイトレーシングソフトウェアを用いて様々なデータセットを生成し,ProSpireを数値評価する。評価の結果,rssu-netは信号強度予測において,他の手法の平均誤差に匹敵する5db平均絶対誤差を有意に有意な性能を示した。重要なことに、rssu-netの利点により、prospireは送信機周辺でプロアクティブな境界を作り、97%の確率で干渉を起こさないように活性化する。この点において、RSSu-netの性能は他の同等の手法よりも19%良い。

関連論文リスト

Unrolled denoising networks provably learn optimal Bayesian inference [54.79172096306631]
我々は、近似メッセージパッシング(AMP)のアンロールに基づくニューラルネットワークの最初の厳密な学習保証を証明した。圧縮センシングでは、製品から引き出されたデータに基づいてトレーニングを行うと、ネットワークの層がベイズAMPで使用されるのと同じデノイザーに収束することを示す。
論文参考訳（メタデータ） (2024-09-19T17:56:16Z)
Evaluating Bayesian deep learning for radio galaxy classification [0.0]
ベイズニューラルネットワーク(BNN)は、ディープラーニングモデルによる予測の不確実性をモデル化する原則的な方法を提供する。我々は, 電波銀河分類問題に対する予測性能, 不確かさ校正, 分布シフト検出の2つの基準に対して, 異なるBNNの性能を評価する。
論文参考訳（メタデータ） (2024-05-28T16:49:28Z)
Collaborative Edge AI Inference over Cloud-RAN [37.3710464868215]
クラウド無線アクセスネットワーク(Cloud-RAN)ベースの協調エッジAI推論アーキテクチャを提案する。具体的には、地理的に分散したデバイスが、リアルタイムのノイズ破壊センサデータサンプルをキャプチャし、ノイズの多い局所特徴ベクトルを抽出する。我々は,各RRHが同一リソースブロック上の全デバイスから局所的特徴ベクトルを同時に受信することを可能にする。これらの集約された特徴ベクトルは量子化され、さらに集約および下流推論タスクのために中央プロセッサに送信される。
論文参考訳（メタデータ） (2024-04-09T04:26:16Z)
Enhancing Reliability in Federated mmWave Networks: A Practical and Scalable Solution using Radar-Aided Dynamic Blockage Recognition [14.18507067281377]
本稿では,ミリ波(mmWave)およびテラヘルツ(THz)ネットワークサービスの動的屋外環境における信頼性向上のための新しい手法を提案する。これらの設定では、人や車などの障害物を動かすことで、視線接続(LoS)が簡単に中断される。提案手法はRadar-Aided Blockage Dynamic Recognition (RaDaR)と呼ばれ、レーダー計測とフェデレートラーニング(FL)を活用して、二重出力ニューラルネットワーク(NN)モデルをトレーニングする。
論文参考訳（メタデータ） (2023-06-22T10:10:25Z)
LMD: Light-weight Prediction Quality Estimation for Object Detection in Lidar Point Clouds [3.927702899922668]
Lidarのクラウドデータのオブジェクト検出は、自動運転とロボット工学にとって有望な技術だ。不確実性推定は下流タスクにとって重要な要素であり、ディープニューラルネットワークは信頼性の高い予測であってもエラーを起こしやすい。予測品質推定のための軽量後処理方式LidarMetaDetectを提案する。本実験は,偽予測から真を分離する際の統計的信頼性を著しく向上させることを示した。
論文参考訳（メタデータ） (2023-06-13T15:13:29Z)
Pedestrian Trajectory Forecasting Using Deep Ensembles Under Sensing Uncertainty [125.41260574344933]
エンコーダ・デコーダをベースとした深層アンサンブルネットワークは,認識と予測の不確実性の両方を同時に捕捉する。全体として、深層アンサンブルはより堅牢な予測を提供し、上流の不確実性の考慮により、モデルの推定精度をさらに高めた。
論文参考訳（メタデータ） (2023-05-26T04:27:48Z)
ZigZag: Universal Sampling-free Uncertainty Estimation Through Two-Step Inference [54.17205151960878]
汎用的でデプロイが容易なサンプリング不要のアプローチを導入します。我々は,最先端手法と同等の信頼性のある不確実性推定を,計算コストを著しく低減した形で生成する。
論文参考訳（メタデータ） (2022-11-21T13:23:09Z)
Evaluating Short-Term Forecasting of Multiple Time Series in IoT Environments [67.24598072875744]
IoT(Internet of Things)環境は、多数のIoT対応センシングデバイスを介して監視される。この問題を緩和するため、センサーは比較的低いサンプリング周波数で動作するように設定されることが多い。これは、予測などの後続の意思決定を劇的に妨げる可能性がある。
論文参考訳（メタデータ） (2022-06-15T19:46:59Z)
Trajectory Forecasting from Detection with Uncertainty-Aware Motion Encoding [121.66374635092097]
物体検出と追跡から得られる軌道は、必然的にうるさい。本稿では, 明示的に形成された軌道に依存することなく, 直接検出結果に基づく軌道予測器を提案する。
論文参考訳（メタデータ） (2022-02-03T09:09:56Z)
Towards Overcoming False Positives in Visual Relationship Detection [95.15011997876606]
視覚的関係検出(VRD)における偽陽性率の高い原因について検討する。本稿では,偽陽性の影響を軽減する堅牢なVRDフレームワークとして,Spatially-Aware Balanced negative pRoposal sAmpling(SABRA)を提案する。
論文参考訳（メタデータ） (2020-12-23T06:28:00Z)
Robust Ultra-wideband Range Error Mitigation with Deep Learning at the Edge [0.0]
室内無線環境のマルチパス効果、反射、屈折、複雑さは、測定範囲に正のバイアスをもたらす可能性がある。本稿では,ディープラーニングとグラフ最適化技術の最新技術を活用した効率的な表現学習手法を提案する。チャネルインパルス応答(CIR)信号を直接利用して高い意味的特徴を抽出し、NLoS条件またはLoS条件の補正を推定する。
論文参考訳（メタデータ） (2020-11-30T10:52:21Z)

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。