論文の概要: QSCL-EWIL: Quantum Stochastic Contrast Learning for Enhanced WiFi-Based Indoor Localization

• arxiv url: http://arxiv.org/abs/2501.02884v1
• Date: Mon, 06 Jan 2025 09:54:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-07 17:06:45.466650
• Title: QSCL-EWIL: Quantum Stochastic Contrast Learning for Enhanced WiFi-Based Indoor Localization
• Title（参考訳）: QSCL-EWIL:Wi-Fiを用いた屋内局所化のための量子確率的コントラスト学習
• Authors: Muhammad Bilal Akram Dastagir, Dongsoo Han, Saif Al-Kuwari, Ahmed Farouk,
• Abstract要約: WiFiベースの屋内ローカライゼーションは、資産追跡、医療監視、スマートな建物にとって不可欠である。 既存のシステムは、データのばらつき、環境騒音、床や建物のレベルを検出するのが難しいといった課題に直面している。 本稿では、厳密な理論的基礎に基づく新しいフレームワークである量子コントラスト学習(QSCL)を紹介する。
• 参考スコア（独自算出の注目度）: 2.123582074184901
• License:
• Abstract: WiFi-based indoor localization is essential for asset tracking, healthcare monitoring, and smart buildings. However, existing systems face challenges such as data variability, environmental noise, and difficulty detecting floor and building levels, compounded by limited labeled data and high received signal strength (RSS) collection costs. This paper introduces quantum stochastic contrast learning (QSCL), a novel framework grounded in rigorous theoretical foundations. We present four theorems and one lemma that establish the probabilistic augmentation, diversity enhancement, relationship preservation, and resilience of QSCL under quantum noise, supported by formal proofs. Leveraging these foundations, QSCL utilizes quantum computing (QC) to generate strong data augmentations with stochastic perturbations, enhancing data diversity, while classical weak augmentations provide subtle variations for robust feature learning. We propose a spatial temporal adaptive attention (STAA) encoder that integrates convolutional layers with adaptive attention mechanisms to capture spatial and temporal dependencies in sequential data. Furthermore, a bidirectional contrastive loss function is introduced to capture forward and reverse relationships between augmented views, ensuring robust representations. Comprehensive evaluations on the UJIIndoorLoc and UTSIndoorLoc datasets validate QSCL, demonstrating superior performance with reduced labeled data and resilience to quantum noise such as bit-flip, dephasing, and measurement noise. The proposed framework significantly improves localization accuracy, floor and building detection, and generalizability in challenging indoor environments.
• Abstract（参考訳）: WiFiベースの屋内ローカライゼーションは、資産追跡、医療監視、スマートな建物にとって不可欠である。 しかし、既存のシステムは、データ可変性、環境騒音、床と建物レベルの検出が困難であるなどの課題に直面しており、限られたラベル付きデータと高い受信信号強度(RSS)収集コストが混在している。 本稿では、厳密な理論的基礎に基づく新しいフレームワークである量子確率コントラスト学習(QSCL)を紹介する。 量子雑音下でのQSCLの確率的増大、多様性の向上、関係保存、レジリエンスを確立するための4つの定理と1つの補題を形式的証明によって支持する。 これらの基礎を活用して、QSCLは量子コンピューティング(QC)を使用して確率的摂動による強いデータ拡張を生成し、データの多様性を高め、古典的な弱い拡張はロバストな特徴学習に微妙なバリエーションを提供する。 本稿では、畳み込み層とアダプティブアダプティブアダプティブアダプティブアダプティブ機構を統合した時空間アダプティブアダプティブアテンダ(STAA)エンコーダを提案する。 さらに、拡張ビュー間の前方および逆関係をキャプチャし、ロバストな表現を保証するために、双方向のコントラスト損失関数を導入する。 UJIIndoorLocとUTSIndoorLocデータセットの総合的な評価は、QSCLを評価し、ラベル付きデータの削減とビットフリップ、デフォーカス、測定ノイズなどの量子ノイズに対するレジリエンスで優れたパフォーマンスを示す。 提案手法は, 屋内環境における局所化精度, 床および建物検出, 一般化性を大幅に向上させる。

関連論文リスト

• FL-QDSNNs: Federated Learning with Quantum Dynamic Spiking Neural Networks [4.635820333232683]
  本稿では,FL-QDSNN(Federated Learning-Quantum Dynamic Spiking Neural Networks)フレームワークを紹介する。 私たちのフレームワークの中心は、量子スパイキングニューラルネットワーク(QSNN)における量子ゲートを活性化するための新しい動的しきい値機構である。 我々のFL-QDSNNsフレームワークは、Irisデータセットで94%の精度を示し、既存のQuantum Federated Learning(QFL)アプローチを著しく上回っている。
  論文  参考訳（メタデータ） (2024-12-03T09:08:33Z)
• Towards Resource-Efficient Federated Learning in Industrial IoT for Multivariate Time Series Analysis [50.18156030818883]
  異常と欠落したデータは、産業応用における厄介な問題を構成する。 ディープラーニングによる異常検出が重要な方向として現れている。 エッジデバイスで収集されたデータは、ユーザのプライバシを含む。
  論文  参考訳（メタデータ） (2024-11-06T15:38:31Z)
• Vaccinating Federated Learning for Robust Modulation Classification in Distributed Wireless Networks [0.0]
  雑音レベルの異なる信号間の一般化性向上を目的とした新しいAMCモデルであるFedVaccineを提案する。 FedVaccineは、分割学習戦略を用いることで、既存のFLベースのAMCモデルの線形集約の限界を克服する。 これらの結果は、実用的な無線ネットワーク環境におけるAMCシステムの信頼性と性能を高めるためのFedVaccineの可能性を浮き彫りにした。
  論文  参考訳（メタデータ） (2024-10-16T17:48:47Z)
• Heterogeneous quantization regularizes spiking neural network activity [0.0]
  本稿では、アナログデータを正規化し、スパイク位相表現に量子化する、データブラインドニューロモルフィック信号条件付け戦略を提案する。 我々は、量子化重みの範囲と密度が蓄積された入力統計に適応するデータ認識キャリブレーションステップを追加することで、このメカニズムを拡張した。
  論文  参考訳（メタデータ） (2024-09-27T02:25:44Z)
• Reconfigurable Intelligent Surface (RIS)-Assisted Entanglement Distribution in FSO Quantum Networks [62.87033427172205]
  自由空間光(FSO)量子チャネルに依存する量子ネットワーク(QN)は、光ファイバー基盤の確立が困難でコストがかかる環境における量子アプリケーションをサポートすることができる。 エンタングルメント分布のための仮想視線を提供する費用効率の高いフレームワークとして,再構成可能なインテリジェントサーフェス(RIS)を用いたFSOベースのQNを提案する。
  論文  参考訳（メタデータ） (2024-01-19T17:16:40Z)
• Learning Prompt-Enhanced Context Features for Weakly-Supervised Video Anomaly Detection [37.99031842449251]
  弱い監督下での映像異常検出は重大な課題を呈する。 本稿では,効率的なコンテキストモデリングとセマンティック識別性の向上に焦点をあてた,弱教師付き異常検出フレームワークを提案する。 提案手法は,特定の異常なサブクラスの検出精度を大幅に向上させ,その実用的価値と有効性を裏付けるものである。
  論文  参考訳（メタデータ） (2023-06-26T06:45:16Z)
• Model-based Deep Learning Receiver Design for Rate-Splitting Multiple Access [65.21117658030235]
  本研究では,モデルベース深層学習(MBDL)に基づく実用的なRSMA受信機の設計を提案する。 MBDL受信機は、符号なしシンボル誤り率(SER)、リンクレベルシミュレーション(LLS)によるスループット性能、平均トレーニングオーバーヘッドの観点から評価される。 その結果,MBDLはCSIRが不完全なSIC受信機よりも優れていた。
  論文  参考訳（メタデータ） (2022-05-02T12:23:55Z)
• ClusterQ: Semantic Feature Distribution Alignment for Data-Free Quantization [111.12063632743013]
  本稿では,ClusterQと呼ばれるデータフリーな量子化手法を提案する。 意味的特徴のクラス間分離性を高めるために,特徴分布統計をクラスタ化し,整列する。 また、クラス内分散を組み込んで、クラスワイドモードの崩壊を解決する。
  論文  参考訳（メタデータ） (2022-04-30T06:58:56Z)
• When BERT Meets Quantum Temporal Convolution Learning for Text Classification in Heterogeneous Computing [75.75419308975746]
  本研究は,変分量子回路に基づく垂直連合学習アーキテクチャを提案し,テキスト分類のための量子化事前学習BERTモデルの競争性能を実証する。 目的分類実験により,提案したBERT-QTCモデルにより,SnipsおよびATIS音声言語データセットの競合実験結果が得られた。
  論文  参考訳（メタデータ） (2022-02-17T09:55:21Z)
• On the benefits of robust models in modulation recognition [53.391095789289736]
  畳み込み層を用いたディープニューラルネットワーク(DNN)は、通信における多くのタスクにおいて最先端である。 画像分類のような他の領域では、DNNは敵の摂動に弱いことが示されている。 最新モデルの堅牢性をテストするための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-03-27T19:58:06Z)

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。