論文の概要: Generative AI for Data Augmentation in Wireless Networks: Analysis, Applications, and Case Study

• arxiv url: http://arxiv.org/abs/2411.08341v2
• Date: Wed, 10 Sep 2025 01:47:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-11 15:16:51.952304
• Title: Generative AI for Data Augmentation in Wireless Networks: Analysis, Applications, and Case Study
• Title（参考訳）: 無線ネットワークにおけるデータ拡張のための生成AI:分析,応用,事例研究
• Authors: Jinbo Wen, Jiawen Kang, Dusit Niyato, Yang Zhang, Jiacheng Wang, Biplab Sikdar, Ping Zhang,
• Abstract要約: 本稿では,無線ネットワークにおける生成データ拡張の可能性と有効性について考察する。 本稿では,Wi-Fiジェスチャー認識のための汎用データ拡張フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 52.585121600169714
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Data augmentation as a technique can mitigate data scarcity in machine learning. However, owing to fundamental differences in wireless data structures, traditional data augmentation techniques may not be suitable for wireless data. Fortunately, Generative Artificial Intelligence (GenAI) can be an effective solution to wireless data augmentation due to its excellent data generation capability. This article systematically explores the potential and effectiveness of generative data augmentation in wireless networks. We first briefly review data augmentation techniques, discuss their limitations in wireless networks, and introduce generative data augmentation, including reviewing GenAI models and their applications in data augmentation. We then explore the application prospects of generative data augmentation in wireless networks from the physical, network, and application layers, providing a generative data augmentation architecture for each application. Subsequently, we propose a general generative data augmentation framework for Wi-Fi gesture recognition. Specifically, we leverage transformer-based diffusion models to generate high-quality channel state information data. To evaluate the effectiveness of the proposed framework, we conduct a case study using the Widar 3.0 dataset, which employs a residual network model for Wi-Fi gesture recognition. Simulation results demonstrate that the proposed framework can enhance the performance of Wi-Fi gesture recognition. Finally, we discuss research directions for generative data augmentation.
• Abstract（参考訳）: データ拡張は、機械学習におけるデータの不足を軽減することができる。 しかし、無線データ構造に根本的な違いがあるため、従来のデータ拡張技術は無線データには適さない可能性がある。 幸いなことに、Generative Artificial Intelligence(GenAI)は、その優れたデータ生成能力のために、ワイヤレスデータ拡張の効果的なソリューションになり得る。 本稿では,無線ネットワークにおける生成データ拡張の可能性と有効性について系統的に検討する。 まず、まず、データ拡張手法を概観し、無線ネットワークにおけるその限界を論じ、生成データ拡張を導入し、GenAIモデルとそのデータ拡張への応用についてレビューする。 次に、物理層、ネットワーク層、アプリケーション層からの無線ネットワークにおける生成データ拡張の適用可能性について検討し、各アプリケーションに生成データ拡張アーキテクチャを提供する。 次に,Wi-Fiジェスチャー認識のための汎用データ拡張フレームワークを提案する。 具体的には,トランスを用いた拡散モデルを用いて,高品質なチャネル状態情報データを生成する。 提案手法の有効性を評価するため,Wi-Fiジェスチャー認識に残留ネットワークモデルを用いたWidar 3.0データセットを用いたケーススタディを行った。 シミュレーションの結果,提案手法はWi-Fiジェスチャー認識の性能を向上させることができることがわかった。 最後に、生成データの増大に関する研究の方向性について論じる。

関連論文リスト

• A Time-Series Data Augmentation Model through Diffusion and Transformer Integration [0.6437284704257459]
  ディープニューラルネットワークは通常、トレーニングのために大量のデータを必要とする。 本稿では,Diffusion モデルと Transformer モデルを組み合わせた簡易かつ効率的な手法を提案する。 ベンチマークとして拡張データを適用したモデルの性能向上を利用して,高品質な拡張データを生成する能力を示す。
  論文  参考訳（メタデータ） (2025-05-01T09:40:45Z)
• Generative AI for RF Sensing in IoT systems [10.326067512318163]
  RF(Radio Frequency)センシングは、人間の活動と環境変化の費用対効果と非侵襲的なモニタリングで際立っている。 従来のRFセンシング手法は、ノイズ、干渉、不完全なデータ、高いデプロイメントコストなど、重大な課題に直面している。 本稿では、IoTエコシステムにおけるこれらの制限を克服するジェネレーティブAI(GenAI)の可能性について検討する。
  論文  参考訳（メタデータ） (2024-07-10T09:51:44Z)
• A Comprehensive Survey on Data Augmentation [55.355273602421384]
  データ拡張(Data augmentation)は、既存のデータサンプルを操作することによって高品質な人工データを生成する技術である。 既存の文献調査では、特定のモダリティデータにのみ焦点が当てられている。 本稿では,異なる共通データモダリティのためのデータ拡張技術を含む,より啓蒙的な分類法を提案する。
  論文  参考訳（メタデータ） (2024-05-15T11:58:08Z)
• Learning Wireless Data Knowledge Graph for Green Intelligent Communications: Methodology and Experiments [36.82287751359216]
  我々は,知識グラフ(KG)の概念をモバイルネットワークのインテリジェントな操作操作に統合した,広汎なマルチレベル(PML)ネイティブAIアーキテクチャを提案する。 我々は、無線通信ネットワークから収集された大規模で複雑なデータを特徴付け、様々なデータフィールド間の関係を分析する。 このアーキテクチャは、AIトレーニング、推論、検証プロセスを強化するだけでなく、通信ネットワークのリソースの浪費とオーバーヘッドを大幅に削減する。
  論文  参考訳（メタデータ） (2024-04-16T07:55:34Z)
• DetDiffusion: Synergizing Generative and Perceptive Models for Enhanced Data Generation and Perception [78.26734070960886]
  現在の知覚モデルは、リソース集約的なデータセットに大きく依存している。 セグメンテーションを通じて知覚認識損失(P.A.損失)を導入し、品質と制御性の両方を改善した。 本手法は,世代間における知覚認識属性(P.A. Attr)の抽出と利用により,データ拡張をカスタマイズする。
  論文  参考訳（メタデータ） (2024-03-20T04:58:03Z)
• Physical-Layer Semantic-Aware Network for Zero-Shot Wireless Sensing [74.12670841657038]
  デバイスレスワイヤレスセンシングは、幅広い没入型人間機械対話型アプリケーションをサポートする可能性から、近年、大きな関心を集めている。 無線信号におけるデータの均一性と分散センシングにおけるデータプライバシ規制は、広域ネットワークシステムにおける無線センシングの広範な適用を妨げる主要な課題であると考えられている。 そこで本研究では,ラベル付きデータを使わずに,一箇所ないし限られた箇所で構築されたモデルを直接他の場所に転送できるゼロショット無線センシングソリューションを提案する。
  論文  参考訳（メタデータ） (2023-12-08T13:50:30Z)
• Representation Learning of Knowledge Graph for Wireless Communication Networks [21.123289598816847]
  本稿では,無線通信プロトコルに基づいて知識グラフを構築することにより,無線データの内在的関係を理解することを目的とする。 グラフ畳み込みニューラルネットワークに基づく新しいモデルは、グラフノードを分類し、関係予測をシミュレートするために使用されるグラフの表現を学ぶように設計されている。
  論文  参考訳（メタデータ） (2022-08-22T07:36:34Z)
• Transformer Networks for Data Augmentation of Human Physical Activity Recognition [61.303828551910634]
  Recurrent Generative Adrial Networks (RGAN)のような最先端技術モデルは、リアルな合成データを生成するために使用される。 本稿では,データにグローバルな注意を払っているトランスフォーマーベースの生成敵ネットワークを,PAMAP2とリアルワールドヒューマンアクティビティ認識データセットでRGANと比較する。
  論文  参考訳（メタデータ） (2021-09-02T16:47:29Z)
• The Imaginative Generative Adversarial Network: Automatic Data Augmentation for Dynamic Skeleton-Based Hand Gesture and Human Action Recognition [27.795763107984286]
  本稿では、入力データの分布を近似し、この分布から新しいデータをサンプリングする新しい自動データ拡張モデルを提案する。 以上の結果から,拡張戦略は訓練が高速であり,ニューラルネットワークと最先端手法の両方の分類精度を向上させることが可能であることが示唆された。
  論文  参考訳（メタデータ） (2021-05-27T11:07:09Z)
• Data Augmentation for Enhancing EEG-based Emotion Recognition with Deep Generative Models [13.56090099952884]
  本稿では、感情認識モデルの性能を高めるために、脳波トレーニングデータを増強する3つの方法を提案する。 フル利用戦略では、生成されたすべてのデータが、生成されたデータの品質を判断することなく、トレーニングデータセットに拡張される。 実験結果から,脳波を用いた感情認識モデルの性能向上を図った。
  論文  参考訳（メタデータ） (2020-06-04T21:23:09Z)
• A Big Data Enabled Channel Model for 5G Wireless Communication Systems [71.93009775340234]
  本稿では,ビッグデータ解析,特に無線通信およびチャネルモデリングにおける機械学習アルゴリズムの様々な応用について検討する。 本稿では,ビッグデータと機械学習を利用した無線チャネルモデルフレームワークを提案する。 提案するチャネルモデルは、フィードフォワードニューラルネットワーク(FNN)やラジアル基底関数ニューラルネットワーク(RBF-NN)を含む、人工ニューラルネットワーク(ANN)に基づいている。
  論文  参考訳（メタデータ） (2020-02-28T05:56:14Z)

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。