論文の概要: SANDWICH: Towards an Offline, Differentiable, Fully-Trainable Wireless Neural Ray-Tracing Surrogate

• arxiv url: http://arxiv.org/abs/2411.08767v1
• Date: Wed, 13 Nov 2024 16:53:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-14 16:10:36.708505
• Title: SANDWICH: Towards an Offline, Differentiable, Fully-Trainable Wireless Neural Ray-Tracing Surrogate
• Title（参考訳）: SANDWICH:オフライン、差別化可能、ワイヤレス・ニューラルレイトレーシング・サロゲート
• Authors: Yifei Jin, Ali Maatouk, Sarunas Girdzijauskas, Shugong Xu, Leandros Tassiulas, Rex Ying,
• Abstract要約: ワイヤレス・レイトレーシングは3Dワイヤレス・チャネル・モデリングの鍵となるツールとして登場しつつある。 現在のアプローチでは、5G(B5G)ネットワークシグナリングを超えて正確にモデルを作成するのに苦労している。 逐次決定問題として線軌跡生成を再定義する新しい手法を提案する。
• 参考スコア（独自算出の注目度）: 28.381780436787658
• License:
• Abstract: Wireless ray-tracing (RT) is emerging as a key tool for three-dimensional (3D) wireless channel modeling, driven by advances in graphical rendering. Current approaches struggle to accurately model beyond 5G (B5G) network signaling, which often operates at higher frequencies and is more susceptible to environmental conditions and changes. Existing online learning solutions require real-time environmental supervision during training, which is both costly and incompatible with GPU-based processing. In response, we propose a novel approach that redefines ray trajectory generation as a sequential decision-making problem, leveraging generative models to jointly learn the optical, physical, and signal properties within each designated environment. Our work introduces the Scene-Aware Neural Decision Wireless Channel Raytracing Hierarchy (SANDWICH), an innovative offline, fully differentiable approach that can be trained entirely on GPUs. SANDWICH offers superior performance compared to existing online learning methods, outperforms the baseline by 4e^-2 radian in RT accuracy, and only fades 0.5 dB away from toplined channel gain estimation.
• Abstract（参考訳）: 無線線トレーシング(RT)は、3次元の3次元無線チャネルモデリングの鍵となるツールとして登場し、グラフィカルレンダリングの進歩によって推進されている。 現在のアプローチでは、5G(B5G)ネットワークシグナリングを超えて正確にモデル化することが困難であり、高い周波数で動作し、環境条件や変化の影響を受けやすい。 既存のオンライン学習ソリューションでは、トレーニング中にリアルタイムな環境管理が必要になります。 そこで本研究では,光,物理,信号特性を協調的に学習するために生成モデルを活用することにより,線軌跡生成を逐次決定問題として再定義する手法を提案する。 私たちの研究は、Scene-Aware Neural Decision Wireless Channel Raytracing Hierarchy (SANDWICH)を導入しています。 SANDWICHは、既存のオンライン学習方法よりも優れた性能を提供し、RT精度で4e^-2ラディアンでベースラインを上回り、トップラインのチャネルゲイン推定から0.5dBしか離れていない。

関連論文リスト

• DRL Optimization Trajectory Generation via Wireless Network Intent-Guided Diffusion Models for Optimizing Resource Allocation [58.62766376631344]
  本稿では、無線通信ネットワークの異なる状態変化に対応するために、カスタマイズされた無線ネットワークインテント(WNI-G)モデルを提案する。 大規模シミュレーションにより、動的通信システムにおけるスペクトル効率と従来のDRLモデルの変動の安定性が向上する。
  論文  参考訳（メタデータ） (2024-10-18T14:04:38Z)
• Diffraction and Scattering Aware Radio Map and Environment Reconstruction using Geometry Model-Assisted Deep Learning [14.986314279939952]
  本稿では、受信信号強度(RSS)データを用いて、無線マップと仮想環境を共同構築することを提案する。 我々は,仮想障害物モデルを開発し,伝搬経路と仮想障害物との間の幾何学的関係を特徴づける。 数値実験により, 3次元仮想環境の再構築に加えて, 提案したモデルは, 精度10%-18%向上した無線地図構築において, 最先端の手法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2024-03-01T02:20:01Z)
• Spatial Channel State Information Prediction with Generative AI: Towards Holographic Communication and Digital Radio Twin [23.09171064957228]
  6Gは、最先端の無線技術によって、より高速で信頼性の高いワイヤレス接続を提供する。 従来の管理手法は主にリアクティブで、ユーザからのフィードバックに基づいて動的無線チャネルに適応する。 ハードウェアとニューラルネットワークの進歩により、正確な環境情報を用いてそのような空間CSIを予測することができる。 我々は,デジタルワールドと電波に対する決定論的制御の両方の利点を生かした,新たな枠組みであるディジタルラジオツインを提案する。
  論文  参考訳（メタデータ） (2024-01-16T00:29:05Z)
• 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)
• Interference Cancellation GAN Framework for Dynamic Channels [74.22393885274728]
  チャネルのあらゆる変更に適応できるオンライントレーニングフレームワークを導入します。 我々のフレームワークは、非常にダイナミックなチャネル上での最近のニューラルネットワークモデルよりも大幅に優れています。
  論文  参考訳（メタデータ） (2022-08-17T02:01:18Z)
• GPU-Accelerated Machine Learning in Non-Orthogonal Multiple Access [71.58925117604039]
  非直交多重アクセス(Noma)は、将来の5Gおよび6Gネットワークに必要な大規模な接続を可能にする興味深い技術である。 線形処理と非線形処理の両方の利点を組み合わせたニューラルネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-06-13T09:38:23Z)
• Multi-task Learning Approach for Modulation and Wireless Signal Classification for 5G and Beyond: Edge Deployment via Model Compression [1.218340575383456]
  将来的な通信網は、異種無線デバイスの成長に対応するために、少ないスペクトルに対処する必要がある。 我々は、深層ニューラルネットワークに基づくマルチタスク学習フレームワークの可能性を利用して、変調と信号分類タスクを同時に学習する。 公共利用のための包括的ヘテロジニアス無線信号データセットを提供する。
  論文  参考訳（メタデータ） (2022-02-26T14:51:02Z)
• Real-Time GPU-Accelerated Machine Learning Based Multiuser Detection for 5G and Beyond [70.81551587109833]
  非線形ビームフォーミングフィルタは、大規模な接続を伴う定常シナリオにおいて、線形アプローチを著しく上回る。 主な課題の1つは、これらのアルゴリズムのリアルタイム実装である。 本稿では,大規模並列化によるAPSMに基づくアルゴリズムの高速化について検討する。
  論文  参考訳（メタデータ） (2022-01-13T15:20:45Z)
• ChaRRNets: Channel Robust Representation Networks for RF Fingerprinting [0.0]
  RFフィンガープリントのための複雑値畳み込みニューラルネットワーク(CNN)を提案する。 我々は,深層学習(dl)技術を用いた無線iotデバイスの指紋認証の問題に注目する。
  論文  参考訳（メタデータ） (2021-05-08T03:03:21Z)
• Cross-Modal Contrastive Learning of Representations for Navigation using Lightweight, Low-Cost Millimeter Wave Radar for Adverse Environmental Conditions [1.9822346227538585]
  学習に基づく自律ナビゲーションのためのシングルチップミリ波(mmWave)レーダの使用を提案する。 mmWaveレーダ信号はしばしば騒がしいため、表現のためのクロスモーダルコントラスト学習(CM-CLR)法を提案します。 対比学習によるエンドツーエンドの深部RLポリシーは、煙がいっぱいの迷路環境でロボットをうまくナビゲートしました。
  論文  参考訳（メタデータ） (2021-01-10T11:21:17Z)
• Learning to Continuously Optimize Wireless Resource In Episodically Dynamic Environment [55.91291559442884]
  この研究は、データ駆動型手法が動的環境で継続的に学習し、最適化できる方法論を開発する。 本稿では,無線システム学習のモデリングプロセスに連続学習の概念を構築することを提案する。 我々の設計は、異なるデータサンプル間で「一定の公正性を保証する」新しいmin-maxの定式化に基づいている。
  論文  参考訳（メタデータ） (2020-11-16T08:24:34Z)

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。