論文の概要: Radio Map Estimation: Empirical Validation and Analysis

• arxiv url: http://arxiv.org/abs/2310.11036v2
• Date: Mon, 22 Jan 2024 08:44:26 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-23 20:27:33.396068
• Title: Radio Map Estimation: Empirical Validation and Analysis
• Title（参考訳）: 無線地図推定:実証的検証と分析
• Authors: Raju Shrestha, Tien Ngoc Ha, Pham Q. Viet and Daniel Romero
• Abstract要約: 電波マップは、受信した信号強度などの大きさを地理的領域のすべての場所で定量化する。 本稿では,実世界における無線地図推定(RME)の総合的かつ厳密な研究について述べる。 ディープニューラルネットワークに基づく推定器は、より伝統的な手法よりも大きな優位性を示すために、大量のトレーニングデータを必要とする、と結論付けている。
• 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 magnitudes such as the received signal strength at every location of a geographical region. Although the estimation of radio maps has attracted widespread interest, the vast majority of works rely on simulated data and, therefore, cannot establish the effectiveness and relative performance of existing algorithms in practice. To fill this gap, this paper presents the first comprehensive and rigorous study of radio map estimation (RME) in the real world. The main features of the RME problem are analyzed and the capabilities of existing estimators are compared using large measurement datasets collected in this work. By studying four performance metrics, recent theoretical findings are empirically corroborated and a large number of conclusions are drawn. Remarkably, the estimation error is seen to be reasonably small even with few measurements, which establishes the viability of RME in practice. Besides, from extensive comparisons, it is concluded that estimators based on deep neural networks necessitate large volumes of training data to exhibit a significant advantage over more traditional methods. Combining both types of schemes is seen to result in a novel estimator that features the best performance in most situations. The acquired datasets are made publicly available to enable further studies.
• Abstract（参考訳）: 無線地図は、受信した信号強度を地理的な地域ごとに定量化する。 無線地図の推定は広く関心を集めているが、ほとんどの作品がシミュレーションデータに依存しているため、既存のアルゴリズムの有効性と相対的な性能は確立できない。 このギャップを埋めるために,本稿では,実世界における無線地図推定(RME)の総合的かつ厳密な研究について述べる。 RME問題の主な特徴を解析し,本研究で収集した大規模測定データセットを用いて既存推定器の性能を比較した。 4つのパフォーマンス指標を研究することにより、最近の理論的知見は実証的に裏付けられ、多くの結論が導かれる。 注意すべき点として、推定誤差は測定が少なくても合理的に小さく、実際にRMEが実現可能であることが分かる。 さらに、深層ニューラルネットワークに基づく推定者は、従来の方法よりも大きなアドバンテージを示すために、大量のトレーニングデータを必要としていると結論づけた。 両方のタイプのスキームを組み合わせると、ほとんどの状況で最高のパフォーマンスを示す新しい推定器が得られる。 取得したデータセットは、さらなる研究を可能にするために公開されている。

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。