論文の概要: Fast and Accurate Cooperative Radio Map Estimation Enabled by GAN

• arxiv url: http://arxiv.org/abs/2402.02729v1
• Date: Mon, 5 Feb 2024 05:01:28 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-06 17:48:05.309466
• Title: Fast and Accurate Cooperative Radio Map Estimation Enabled by GAN
• Title（参考訳）: GANによる高速かつ正確な協調無線地図推定
• Authors: Zezhong Zhang, Guangxu Zhu, Junting Chen, Shuguang Cui
• Abstract要約: 6G時代には、無線リソースのリアルタイムモニタリングと管理が、多様な無線アプリケーションをサポートするように求められている。 本稿では,GAN(Generative Adversarial Network)による協調的無線地図推定手法を提案する。
• 参考スコア（独自算出の注目度）: 63.90647197249949
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the 6G era, real-time radio resource monitoring and management are urged to support diverse wireless-empowered applications. This calls for fast and accurate estimation on the distribution of the radio resources, which is usually represented by the spatial signal power strength over the geographical environment, known as a radio map. In this paper, we present a cooperative radio map estimation (CRME) approach enabled by the generative adversarial network (GAN), called as GAN-CRME, which features fast and accurate radio map estimation without the transmitters' information. The radio map is inferred by exploiting the interaction between distributed received signal strength (RSS) measurements at mobile users and the geographical map using a deep neural network estimator, resulting in low data-acquisition cost and computational complexity. Moreover, a GAN-based learning algorithm is proposed to boost the inference capability of the deep neural network estimator by exploiting the power of generative AI. Simulation results showcase that the proposed GAN-CRME is even capable of coarse error-correction when the geographical map information is inaccurate.
• Abstract（参考訳）: 6G時代には、無線リソースのリアルタイムモニタリングと管理が、多様な無線アプリケーションをサポートするように求められている。 これは無線資源の分布を高速かつ正確に推定することを要求するもので、通常はラジオマップとして知られる地理的環境上の空間信号のパワー強度によって表される。 本稿では,GAN(Generative Adversarial Network, GAN-CRME)によって実現された協調無線地図推定(CRME)手法について述べる。 無線マップは、モバイルユーザにおける分散受信信号強度(RSS)測定と、ディープニューラルネットワーク推定器を用いた地理的マップとの相互作用を利用して推定され、データ取得コストと計算複雑性が低下する。 さらに、GANに基づく学習アルゴリズムは、生成AIのパワーを活用することにより、ディープニューラルネットワーク推定器の推論能力を高めるために提案される。 シミュレーションの結果,GAN-CRMEは地理地図情報が不正確な場合に誤り訂正を行うことができることがわかった。

関連論文リスト

• Data-Driven Radio Environment Map Estimation Using Graph Neural Networks [0.0]
  グラフニューラルネットワークを用いて無線環境マップ(REM)を推定する手法を提案する。 提案アーキテクチャは、ネットワーク全体の空間的依存関係をキャプチャするグラフニューラルネットワークの利点を継承する。
  論文  参考訳（メタデータ） (2024-06-09T00:17:33Z)
• Neuromorphic Split Computing with Wake-Up Radios: Architecture and Design via Digital Twinning [97.99077847606624]
  本研究は,遠隔・無線接続型NPUからなる分割計算機システムに,覚醒無線機構を組み込んだ新しいアーキテクチャを提案する。 覚醒無線に基づくニューロモルフィックスプリットコンピューティングシステムの設計における重要な課題は、検知、覚醒信号検出、意思決定のためのしきい値の選択である。
  論文  参考訳（メタデータ） (2024-04-02T10:19:04Z)
• ACT-GAN: Radio map construction based on generative adversarial networks with ACT blocks [0.5694070924765915]
  本稿では,GAN(Generative Adversarial Network)に基づく新しい無線地図構築手法を提案する。 ラジオ地図の再現精度と局部テクスチャを大幅に向上させる。 提案手法はロバストな電波地図の構築であり,放射源の位置を正確に予測する。
  論文  参考訳（メタデータ） (2024-01-17T05:03:53Z)
• RADIANCE: Radio-Frequency Adversarial Deep-learning Inference for Automated Network Coverage Estimation [8.92389724627982]
  RADIANCEは、室内シナリオでRFマップを合成するためのGAN(Generative Adversarial Network)ベースのアプローチである。 その結果、RADIANCEは平均平均誤差0.09、ルート平均二乗誤差(RMSE)0.29、ピーク信号-雑音比(PSNR)10.78、マルチスケール構造類似度指数(MS-SSIM)0.80を達成した。
  論文  参考訳（メタデータ） (2023-08-21T09:33:20Z)
• LocUNet: Fast Urban Positioning Using Radio Maps and Deep Learning [59.17191114000146]
  LocUNet: 基地局(BSs)からの受信信号強度(RSS)のみに基づく深層学習手法 提案手法では,BSsからのRSSを,クラウド上に存在する可能性のある中央処理ユニット(CPU)にローカライズする。 推定されたBSのパスロスラジオマップを用いて、LocUNetは最先端の精度でユーザをローカライズし、無線マップの不正確性に対して高い堅牢性を享受する。
  論文  参考訳（メタデータ） (2022-02-01T20:27:46Z)
• Three-Way Deep Neural Network for Radio Frequency Map Generation and Source Localization [67.93423427193055]
  空間、時間、周波数領域にわたる無線スペクトルのモニタリングは、5Gと6G以上の通信技術において重要な特徴となる。 本稿では,空間領域全体にわたる不規則分散計測を補間するGAN(Generative Adversarial Network)機械学習モデルを提案する。
  論文  参考訳（メタデータ） (2021-11-23T22:25:10Z)
• Rethinking the Tradeoff in Integrated Sensing and Communication: Recognition Accuracy versus Communication Rate [21.149708253108788]
  ISAC(Integrated Sensistance and Communication)は、バンド利用効率を向上させるための有望な技術である。 センシング性能と通信性能の間にはトレードオフがある。 本稿では、認識精度と通信データレートを同時に最大化する多目的最適化問題を定式化し、解決する。
  論文  参考訳（メタデータ） (2021-07-20T17:00:35Z)
• Real-time Outdoor Localization Using Radio Maps: A Deep Learning Approach [59.17191114000146]
  LocUNet: ローカライゼーションタスクのための畳み込み、エンドツーエンドのトレーニングニューラルネットワーク(NN)。 我々は,LocUNetがユーザを最先端の精度でローカライズし,無線マップ推定における不正確性が高いことを示す。
  論文  参考訳（メタデータ） (2021-06-23T17:27:04Z)
• A Compressive Sensing Approach for Federated Learning over Massive MIMO Communication Systems [82.2513703281725]
  フェデレートラーニング(Federated Learning)は、無線デバイスとのコラボレーションによって、中央サーバでグローバルモデルをトレーニングするための、プライバシ保護のアプローチである。 本稿では,大規模マルチインプット多出力通信システム上でのフェデレーション学習のための圧縮センシング手法を提案する。
  論文  参考訳（メタデータ） (2020-03-18T05:56:27Z)

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。