論文の概要: Finding the Missing Data: A BERT-inspired Approach Against Package Loss in Wireless Sensing

• arxiv url: http://arxiv.org/abs/2403.12400v1
• Date: Tue, 19 Mar 2024 03:16:52 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-20 15:31:57.853302
• Title: Finding the Missing Data: A BERT-inspired Approach Against Package Loss in Wireless Sensing
• Title（参考訳）: BERTにインスパイアされたワイヤレスセンシングにおけるパッケージ損失対策
• Authors: Zijian Zhao, Tingwei Chen, Fanyi Meng, Hang Li, Xiaoyang Li, Guangxu Zhu,
• Abstract要約: CSI回復のための変換器(BERT)からの双方向表現に基づく深層学習モデルを提案する。 CSI-BERTは、追加のデータを必要とせずに、ターゲットデータセット上で自己管理的な方法でトレーニングすることができる。 実験の結果,CSI-BERTは従来の手法に比べて誤り率と速度が低いことがわかった。
• 参考スコア（独自算出の注目度）: 14.973433993744708
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Despite the development of various deep learning methods for Wi-Fi sensing, package loss often results in noncontinuous estimation of the Channel State Information (CSI), which negatively impacts the performance of the learning models. To overcome this challenge, we propose a deep learning model based on Bidirectional Encoder Representations from Transformers (BERT) for CSI recovery, named CSI-BERT. CSI-BERT can be trained in an self-supervised manner on the target dataset without the need for additional data. Furthermore, unlike traditional interpolation methods that focus on one subcarrier at a time, CSI-BERT captures the sequential relationships across different subcarriers. Experimental results demonstrate that CSI-BERT achieves lower error rates and faster speed compared to traditional interpolation methods, even when facing with high loss rates. Moreover, by harnessing the recovered CSI obtained from CSI-BERT, other deep learning models like Residual Network and Recurrent Neural Network can achieve an average increase in accuracy of approximately 15\% in Wi-Fi sensing tasks. The collected dataset WiGesture and code for our model are publicly available at https://github.com/RS2002/CSI-BERT.
• Abstract（参考訳）: Wi-Fiセンシングのための様々なディープラーニング手法の開発にもかかわらず、パッケージの損失は、学習モデルの性能に悪影響を及ぼすChannel State Information (CSI)の不連続な評価をもたらすことが多い。 この課題を克服するために,CSIリカバリのための双方向エンコーダ表現(BERT)に基づく深層学習モデルCSI-BERTを提案する。 CSI-BERTは、追加のデータを必要とせずに、ターゲットデータセット上で自己管理的な方法でトレーニングすることができる。 さらに、一度に1つのサブキャリアにフォーカスする従来の補間方法とは異なり、CSI-BERTは異なるサブキャリア間のシーケンシャルな関係をキャプチャする。 実験により,CSI-BERTは損失率が高い場合でも従来の補間法に比べて誤り率と速度が低いことを示した。 さらに、CSI-BERTから得られた回復したCSIを利用して、Residual NetworkやRecurrent Neural Networkのような他のディープラーニングモデルでも、Wi-Fiセンシングタスクの精度を平均15倍に向上させることができる。 収集したデータセット WiGesture とモデル用のコードは https://github.com/RS2002/CSI-BERT で公開されている。

関連論文リスト

• Improving WiFi CSI Fingerprinting with IQ Samples [11.35984799379648]
  無線通信の情報セキュリティを確保するためにはアイデンティティ認証が不可欠である。 RFフィンガープリント技術は、暗号ベースの認証アプローチのプロムアップサプリメントを提供する。 近年の進歩は、軽量RFフィンガープリントのための商用WiFiデバイスによる、容易に得ることのできるチャネル状態情報(CSI)を提唱している。 我々は,IQベースの手法に匹敵する性能を実現する新しいCSIフィンガープリントシステムであるCSI2Qを提案する。
  論文  参考訳（メタデータ） (2024-08-13T12:21:14Z)
• Cross-domain Learning Framework for Tracking Users in RIS-aided Multi-band ISAC Systems with Sparse Labeled Data [55.70071704247794]
  統合センシング・通信(ISAC)は6G通信において重要であり、再構成可能なインテリジェントサーフェス(RIS)の急速な発展によって促進される 本稿では,複数の帯域にまたがるマルチモーダルCSIインジケータを協調的に活用し,クロスドメイン方式で追跡機能をモデル化するX2Trackフレームワークを提案する。 X2Trackの下では、トランスフォーマーニューラルネットワークと逆学習技術に基づいて、トラッキングエラーを最小限に抑える効率的なディープラーニングアルゴリズムを設計する。
  論文  参考訳（メタデータ） (2024-05-10T08:04:27Z)
• SIRST-5K: Exploring Massive Negatives Synthesis with Self-supervised Learning for Robust Infrared Small Target Detection [53.19618419772467]
  単一フレーム赤外線小ターゲット検出(SIRST)は、乱雑な背景から小さなターゲットを認識することを目的としている。 Transformerの開発に伴い、SIRSTモデルのスケールは常に増大している。 赤外線小ターゲットデータの多彩な多様性により,本アルゴリズムはモデル性能と収束速度を大幅に改善する。
  論文  参考訳（メタデータ） (2024-03-08T16:14:54Z)
• Dig-CSI: A Distributed and Generative Model Assisted CSI Feedback Training Framework [6.216538343278333]
  我々はDig-CSIと呼ばれるCSIフィードバックトレーニングフレームワークを設計する。 CSIフィードバックモデルをトレーニングするためのデータセットは、各ユーザ機器(UE)がアップロードした分散ジェネレータによって生成されるが、ローカルデータのアップロードは行わない。 実験の結果、Dig-CSIは古典的な集中学習で訓練されたモデルに匹敵する性能でグローバルなCSIフィードバックモデルを訓練できることがわかった。
  論文  参考訳（メタデータ） (2023-12-10T15:55:57Z)
• A Low-Overhead Incorporation-Extrapolation based Few-Shot CSI Feedback Framework for Massive MIMO Systems [45.22132581755417]
  周波数分割二重化(FDD)大規模マルチインプット多重出力(MIMO)システムにおけるダウンリンクプリコーディングには、正確なチャネル状態情報(CSI)が不可欠である。 しかし,アンテナやサブキャリアの規模が大きくなると,ユーザ機器(UE)からのフィードバックによるCSI取得が困難になる。 CSIを圧縮するために深層学習に基づく手法が登場したが、これらの方法はかなりの収集サンプルを必要とする。 既存のディープラーニング手法は、フル次元のCSIフィードバックに重点を置いているため、フィードバックオーバーヘッドが劇的に増加することにも悩まされる。 低オーバーヘッド抽出に基づくFew-Shot CSIを提案する。
  論文  参考訳（メタデータ） (2023-12-07T06:01:47Z)
• Enhancing Multiple Reliability Measures via Nuisance-extended Information Bottleneck [77.37409441129995]
  トレーニングデータに制限がある現実的なシナリオでは、データ内の多くの予測信号は、データ取得のバイアスからより多く得る。 我々は,相互情報制約の下で,より広い範囲の摂動をカバーできる敵の脅威モデルを考える。 そこで本研究では,その目的を実現するためのオートエンコーダベーストレーニングと,提案したハイブリッド識別世代学習を促進するための実用的なエンコーダ設計を提案する。
  論文  参考訳（メタデータ） (2023-03-24T16:03:21Z)
• Unsupervised Spike Depth Estimation via Cross-modality Cross-domain Knowledge Transfer [53.413305467674434]
  スパイク深度推定をサポートするためにオープンソースのRGBデータを導入し,そのアノテーションと空間情報を活用する。 教師なしスパイク深さ推定を実現するために,クロスモーダルクロスドメイン(BiCross)フレームワークを提案する。 提案手法は,RGB指向の教師なし深度推定法と比較して,最先端(SOTA)性能を実現する。
  論文  参考訳（メタデータ） (2022-08-26T09:35:20Z)
• Overview of Deep Learning-based CSI Feedback in Massive MIMO Systems [77.0986534024972]
  ディープラーニング(DL)ベースのCSIフィードバックは、DLベースのオートエンコーダによるCSI圧縮と再構築を指し、フィードバックオーバーヘッドを大幅に削減することができる。 その焦点は、CSIフィードバックの正確性を改善するために、新しいニューラルネットワークアーキテクチャとコミュニケーション専門家の知識の利用である。
  論文  参考訳（メタデータ） (2022-06-29T03:28:57Z)
• Deep Learning based Covert Attack Identification for Industrial Control Systems [5.299113288020827]
  我々は、スマートグリッドに対する秘密攻撃と呼ばれるサイバー攻撃を検出し、診断し、ローカライズするために使用できるデータ駆動フレームワークを開発した。 このフレームワークは、オートエンコーダ、リカレントニューラルネットワーク(RNN)とLong-Short-Term-Memory層、Deep Neural Network(DNN)を組み合わせたハイブリッド設計である。
  論文  参考訳（メタデータ） (2020-09-25T17:48:43Z)
• Using GAN to Enhance the Accuracy of Indoor Human Activity Recognition [0.9239657838690226]
  本研究では,長期記憶(LSTM)を用いて特徴を学習し,7つの異なる行動を認識する,行動認識システムのための半教師付き学習手法を提案する。 実験の結果,分類精度を3.4%向上し,ログ損失を約16%低減できることを確認した。
  論文  参考訳（メタデータ） (2020-04-23T15:22:05Z)

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。