論文の概要: Radio Map Estimation in the Real-World: Empirical Validation and Analysis

• arxiv url: http://arxiv.org/abs/2310.11036v1
• Date: Tue, 17 Oct 2023 07:03:41 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-18 17:12:27.025668
• Title: Radio Map Estimation in the Real-World: Empirical Validation and Analysis
• Title（参考訳）: 実世界のラジオマップ推定:実証的検証と分析
• Authors: Raju Shrestha, Tien Ngoc Ha, Pham Q. Viet and Daniel Romero
• Abstract要約: 無線地図は、地理的領域の各地点における受信信号強度その他の無線周波数環境の等級を定量化する。 これらの地図は、無線ネットワーク計画、スペクトル管理、通信システムの最適化など、多くのアプリケーションにおいて重要な役割を担っている。
• 参考スコア（独自算出の注目度）: 6.6625409015981045
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Radio maps quantify received signal strength or other magnitudes of the radio frequency environment at every point of a geographical region. These maps play a vital role in a large number of applications such as wireless network planning, spectrum management, and optimization of communication systems. However, empirical validation of the large number of existing radio map estimators is highly limited. To fill this gap, a large data set of measurements has been collected with an autonomous unmanned aerial vehicle (UAV) and a representative subset of these estimators were evaluated on this data. The performance-complexity trade-off and the impact of fast fading are extensively investigated. Although sophisticated estimators based on deep neural networks (DNNs) exhibit the best performance, they are seen to require large volumes of training data to offer a substantial advantage relative to more traditional schemes. A novel algorithm that blends both kinds of estimators is seen to enjoy the benefits of both, thereby suggesting the potential of exploring this research direction further.
• Abstract（参考訳）: 無線地図は、地理的領域の各地点における受信信号強度その他の無線周波数環境の等級を定量化する。 これらのマップは、無線ネットワーク計画、スペクトル管理、通信システムの最適化など、多数のアプリケーションにおいて重要な役割を果たす。 しかし、既存の多くの無線地図推定器の実証的検証は非常に限られている。 このギャップを埋めるために、自律型無人航空機(uav)で大規模なデータ集合を収集し、これらの推定器の代表的なサブセットをこのデータで評価した。 性能・複雑さトレードオフと高速フェージングの影響を詳細に検討した。 ディープニューラルネットワーク(dnn)に基づく高度な推定器は、最も優れた性能を示すが、従来のスキームと比較してかなりの利点を提供するために、大量のトレーニングデータを必要とする。 両種類の推定器をブレンドする新しいアルゴリズムは、双方の利点を享受し、この研究の方向性をさらに探求する可能性を示唆している。

関連論文リスト

• Radio Map Prediction from Aerial Images and Application to Coverage Optimization [46.870065000932016]
  畳み込みニューラルネットワークを用いた経路損失無線マップの予測に着目する。 既存の無線地図データセットに対して開発された最先端モデルがこの課題に効果的に適応できることを示す。 複雑さを低減した現在の最先端技術の性能をわずかに上回る新しいモデルを導入する。
  論文  参考訳（メタデータ） (2024-10-07T09:19:20Z)
• A Generalization Theory of Cross-Modality Distillation with Contrastive Learning [49.35244441141323]
  クロスモダリティ蒸留は、限られた知識を含むデータモダリティにとって重要なトピックである。 コントラスト学習に基づくクロスモーダルコントラスト蒸留(CMCD)の一般的な枠組みを定式化する。 我々のアルゴリズムは、様々なモダリティやタスクに対して、2-3%のマージンで既存のアルゴリズムを一貫して上回ります。
  論文  参考訳（メタデータ） (2024-05-06T11:05:13Z)
• Minimally Supervised Learning using Topological Projections in Self-Organizing Maps [55.31182147885694]
  自己組織化マップ(SOM)におけるトポロジカルプロジェクションに基づく半教師付き学習手法を提案する。 提案手法は,まずラベル付きデータ上でSOMを訓練し,最小限のラベル付きデータポイントをキーベストマッチングユニット(BMU)に割り当てる。 提案した最小教師付きモデルが従来の回帰手法を大幅に上回ることを示す。
  論文  参考訳（メタデータ） (2024-01-12T22:51:48Z)
• Radio Map Estimation -- An Open Dataset with Directive Transmitter Antennas and Initial Experiments [49.61405888107356]
  実世界の現実的な都市地図とオープンなデータソースからの航空画像とともに、シミュレーションされた経路損失無線マップのデータセットをリリースする。 モデルアーキテクチャ,入力特徴設計,航空画像からの無線マップの推定に関する実験を行った。
  論文  参考訳（メタデータ） (2024-01-12T14:56:45Z)
• Distributed Learning of Mixtures of Experts [0.0]
  私たちは、自然に分散されたデータセットや、計算を分散する潜在的に大きなデータセットを扱います。 本研究では,データ分散サブセットに並列に適合する局所的推定器から還元推定器を構築するために,専門家(MoE)モデルとアグリゲーション戦略を併用した分散学習手法を提案する。
  論文  参考訳（メタデータ） (2023-12-15T15:26:13Z)
• A Deep Learning Approach for Generating Soft Range Information from RF Data [29.827191184889898]
  ソフトレンジ情報(SRI)は、高精度なローカライゼーションのための有望な代替手段を提供する。 RF計測から正確なSRIを生成するための深層学習手法を提案する。
  論文  参考訳（メタデータ） (2023-05-23T10:33:52Z)
• Doing Great at Estimating CATE? On the Neglected Assumptions in Benchmark Comparisons of Treatment Effect Estimators [91.3755431537592]
  もっとも単純な設定であっても、無知性仮定に基づく推定は誤解を招く可能性があることを示す。 異種処理効果評価のための機械学習ベンチマークデータセットを2つ検討した。 ベンチマークデータセットの固有の特性が、他のものよりもいくつかのアルゴリズムを好んでいる点を強調します。
  論文  参考訳（メタデータ） (2021-07-28T13:21:27Z)
• Counterfactual Maximum Likelihood Estimation for Training Deep Networks [83.44219640437657]
  深層学習モデルは、予測的手がかりとして学習すべきでない急激な相関を学習する傾向がある。 本研究では,観測可能な共同設立者による相関関係の緩和を目的とした因果関係に基づくトレーニングフレームワークを提案する。 自然言語推論(NLI)と画像キャプションという2つの実世界の課題について実験を行った。
  論文  参考訳（メタデータ） (2021-06-07T17:47:16Z)
• A Theoretical-Empirical Approach to Estimating Sample Complexity of DNNs [11.152761263415046]
  本稿では,深層ニューラルネットワーク(DNN)のトレーニングデータ量と一般化誤差のスケールについて考察する。 我々は、ディープネットワークに保持され、到達不能な容量尺度に依存しない一般化誤差の推定を導出する。
  論文  参考訳（メタデータ） (2021-05-05T05:14:08Z)

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。