Fugu-MT 論文翻訳(概要): Physics-Informed Representation Alignment for Sparse Radio-Map Reconstruction

論文の概要: Physics-Informed Representation Alignment for Sparse Radio-Map Reconstruction

arxiv url: http://arxiv.org/abs/2501.19160v3
Date: Thu, 18 Sep 2025 07:50:14 GMT
ステータス: 翻訳完了
システム内更新日: 2025-09-19 15:20:14.017995
Title: Physics-Informed Representation Alignment for Sparse Radio-Map Reconstruction
Title（参考訳）: Sparse Radio-Map 再構成のための物理インフォームド表現アライメント
Authors: Haozhe Jia, Wenshuo Chen, Zhihui Huang, Lei Wang, Hongru Xiao, Nanqian Jia, Keming Wu, Songning Lai, Bowen Tian, Yutao Yue,
Abstract要約: 無線地図の再構成は高度な応用の実現には不可欠であるが、複雑な信号伝搬やスパース観測データといった課題は、現実的なシナリオにおいて正確な再構成を妨げている。既存の手法は、特にスパース測定条件下では、物理的制約とデータ駆動的特徴の整合に失敗することが多い。 We propose **Phy**sics- **R**adio **M**ap **D**iffusion **M**odel (**PhyRMDM**)。
参考スコア（独自算出の注目度）: 11.571800331483923
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Radio map reconstruction is essential for enabling advanced applications, yet challenges such as complex signal propagation and sparse observational data hinder accurate reconstruction in practical scenarios. Existing methods often fail to align physical constraints with data-driven features, particularly under sparse measurement conditions. To address these issues, we propose **Phy**sics-Aligned **R**adio **M**ap **D**iffusion **M**odel (**PhyRMDM**), a novel framework that establishes cross-domain representation alignment between physical principles and neural network features through dual learning pathways. The proposed model integrates **Physics-Informed Neural Networks (PINNs)** with a **representation alignment mechanism** that explicitly enforces consistency between Helmholtz equation constraints and environmental propagation patterns. Experimental results demonstrate significant improvements over state-of-the-art methods, achieving **NMSE of 0.0031** under *Static Radio Map (SRM)* conditions, and **NMSE of 0.0047** with **Dynamic Radio Map (DRM)** scenarios. The proposed representation alignment paradigm provides **37.2%** accuracy enhancement in ultra-sparse cases (**1%** sampling rate), confirming its effectiveness in bridging physics-based modeling and deep learning for radio map reconstruction.
Abstract（参考訳）: 無線地図の再構成は高度な応用の実現には不可欠であるが、複雑な信号伝搬やスパース観測データといった課題は、現実的なシナリオにおいて正確な再構成を妨げている。既存の手法は、特にスパース測定条件下では、物理的制約とデータ駆動的特徴の整合に失敗することが多い。これらの問題に対処するため、二元学習経路を通じて物理原理とニューラルネットワークの特徴を相互に整合させる新しいフレームワークである**Phy**sics-Aligned **R**adio **M**ap **D**iffusion **M**odel (**PhyRMDM**)を提案する。提案モデルでは,**-Physics-Informed Neural Networks (PINNs)*と*-*表現アライメント機構**を統合し,Helmholtz方程式の制約と環境伝搬パターンとの整合性を明示する。実験結果から,*Static Radio Map (SRM)*条件下では**NMSE,*Dynamic Radio Map (DRM)*シナリオでは**NMSE,*Static Radio Map (SRM)*条件下では**NMSE,**Dynamic Radio Map (DRM)*シナリオでは**NMSEが得られた。提案した表現アライメントパラダイムは、超スパースケース(**1%**サンプリングレート)において**37.2%**の精度向上を提供し、ブリッジング物理に基づくモデリングと無線地図再構成のためのディープラーニングの有効性を確認する。

関連論文リスト

RadioDiff-$k^2$: Helmholtz Equation Informed Generative Diffusion Model for Multi-Path Aware Radio Map Construction [69.96295462931168]
物理インフォームド・ジェネレーティブ・ラーニング・アプローチであるRadioDiff-$bmk2$を提案する。我々は,無線伝搬に影響を与える臨界空間特性に対応するEM特異点と,ヘルムホルツ方程式の負波数で定義される領域との直接対応を確立する。
論文参考訳（メタデータ） (2025-04-22T06:28:13Z)
RadioDiff-Inverse: Diffusion Enhanced Bayesian Inverse Estimation for ISAC Radio Map Construction [11.385703484113552]
無線地図(RM)は、環境に配慮した通信やセンシングに不可欠であり、位置固有の無線チャネル情報を提供する。既存のRM構築法は、しばしば正確な環境データと基地局(BS)の場所に依存しており、動的またはプライバシーに敏感な環境では必ずしも利用できない。本稿では、粗い環境知識とノイズスパース測定の下でのベイズ逆問題としてRM構築を定式化する。拡散強化ベイズ逆推定フレームワークであるRadioDiff-Inverseを提案する。
論文参考訳（メタデータ） (2025-04-19T13:49:59Z)
Resource-Efficient Beam Prediction in mmWave Communications with Multimodal Realistic Simulation Framework [57.994965436344195]
ビームフォーミングは、方向と強度を最適化して信号伝送を改善するミリ波通信において重要な技術である。マルチモーダルセンシング支援ビーム予測は,ユーザ位置やネットワーク条件を予測するために,さまざまなセンサデータを使用して注目されている。その有望な可能性にもかかわらず、マルチモーダルセンシング支援ビーム予測の採用は、高い計算複雑性、高いコスト、限られたデータセットによって妨げられている。
論文参考訳（メタデータ） (2025-04-07T15:38:25Z)
An Analysis of Minimum Error Entropy Loss Functions in Wireless Communications [5.135587709363216]
本稿では,無線通信における深層学習に適した情報理論損失関数として,最小誤差エントロピー基準を提案する。本手法は,大気上回帰法と室内局在法という2つの重要な応用のシミュレーションにより評価した。
論文参考訳（メタデータ） (2024-09-25T12:45:47Z)
RadioDiff: An Effective Generative Diffusion Model for Sampling-Free Dynamic Radio Map Construction [42.596399621642234]
無線マップ(RM)は、位置のみに基づいてパスロスを得ることができる有望な技術である。本稿では, サンプリングフリーのRM構造を条件付き生成問題としてモデル化し, 高品質なRM構造を実現するためにRadioDiffという名前の拡散拡散法を提案する。実験の結果,提案したRadioDiffは,3つの精度,構造的類似度,ピーク信号対雑音比の3つの指標において,最先端性能を実現していることがわかった。
論文参考訳（メタデータ） (2024-08-16T08:02:00Z)
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)
Conditional Denoising Diffusion Probabilistic Models for Data Reconstruction Enhancement in Wireless Communications [12.218161437914118]
無線チャネル上でのデータ伝送と再構成を強化するために,条件付き拡散確率モデル(DDPM)を提案する。これに触発された鍵となる考え方は、情報信号の「ノイズからクリーン」変換を学ぶ際に、拡散モデルの生成的先行性を活用することである。提案手法は,情報内容の事前知識が利用可能な通信シナリオに有効である。
論文参考訳（メタデータ） (2023-10-30T11:33:01Z)
RAMP-Net: A Robust Adaptive MPC for Quadrotors via Physics-informed Neural Network [6.309365332210523]
本稿では、単純なODEとデータの一部をトレーニングしたニューラルネットワークを用いて、PINN(RAMP-Net)を介してロバスト適応MPCフレームワークを提案する。我々は,SOTA回帰に基づく2つのMPC法と比較して,0.5～1.75m/sの追跡誤差を7.8%から43.2%,8.04%から61.5%削減した。
論文参考訳（メタデータ） (2022-09-19T16:11:51Z)
Federated Learning for Energy-limited Wireless Networks: A Partial Model Aggregation Approach [79.59560136273917]
デバイス間の限られた通信資源、帯域幅とエネルギー、およびデータ不均一性は、連邦学習(FL)の主要なボトルネックであるまず、部分モデルアグリゲーション(PMA)を用いた新しいFLフレームワークを考案する。提案されたPMA-FLは、2つの典型的な異種データセットにおいて2.72%と11.6%の精度を改善する。
論文参考訳（メタデータ） (2022-04-20T19:09:52Z)
Simultaneous boundary shape estimation and velocity field de-noising in Magnetic Resonance Velocimetry using Physics-informed Neural Networks [70.7321040534471]
MRV(MR resonance velocimetry)は、流体の速度場を測定するために医療や工学で広く用いられている非侵襲的な技術である。これまでの研究では、境界(例えば血管)の形状が先駆体として知られていた。我々は、ノイズの多いMRVデータのみを用いて、最も可能性の高い境界形状と減音速度場を推定する物理インフォームニューラルネットワークを提案する。
論文参考訳（メタデータ） (2021-07-16T12:56:09Z)

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。