論文の概要: Channel Gain Map Construction based on Subregional Learning and Prediction

• arxiv url: http://arxiv.org/abs/2502.15733v1
• Date: Wed, 05 Feb 2025 06:22:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-02 03:56:10.027301
• Title: Channel Gain Map Construction based on Subregional Learning and Prediction
• Title（参考訳）: 部分領域学習と予測に基づくチャネルゲインマップの構築
• Authors: Jiayi Chen, Ruifeng Gao, Jue Wang, Shu Sun, Yi Wu,
• Abstract要約: チャネルゲインマップ(CGM)の構築は,環境に配慮した6G無線通信の実現に不可欠である。 本稿では,データ駆動クラスタリングにより地図全体をサブリージョンに分割する,部分領域学習に基づくCGM構築手法を提案する。 本研究では,不均一なサブリージョンサンプリングによる予測精度の向上と,サブリージョン境界周辺のデータ再利用のトレーニングを提案する。
• 参考スコア（独自算出の注目度）: 17.492639137951283
• License:
• Abstract: The construction of channel gain map (CGM) is essential for realizing environment-aware wireless communications expected in 6G, for which a fundamental problem is how to predict the channel gains at unknown locations effectively by a finite number of measurements. As using a single prediction model is not effective in complex propagation environments, we propose a subregional learning-based CGM construction scheme, with which the entire map is divided into subregions via data-driven clustering, then individual models are constructed and trained for every subregion. In this way, specific propagation feature in each subregion can be better extracted with finite training data. Moreover, we propose to further improve prediction accuracy by uneven subregion sampling, as well as training data reuse around the subregion boundaries. Simulation results validate the effectiveness of the proposed scheme in CGM construction.
• Abstract（参考訳）: チャネルゲインマップ(CGM)の構築は,環境に配慮した6G無線通信の実現に不可欠である。 単一予測モデルが複雑な伝搬環境では有効ではないため,データ駆動クラスタリングにより地図全体をサブリージョンに分割し,各サブリージョンに対して個別モデルを構築・訓練する,部分領域学習に基づくCGM構築方式を提案する。 このようにして、各サブリージョンにおける特定の伝搬特性を、有限のトレーニングデータでよりよく抽出することができる。 さらに,不均一なサブリージョンサンプリングによる予測精度の向上と,サブリージョン境界周辺のデータ再利用のトレーニングを提案する。 CGM構築における提案手法の有効性をシミュレーションにより検証した。

関連論文リスト

• RegionGCN: Spatial-Heterogeneity-Aware Graph Convolutional Networks [8.132751508556078]
  本研究では,地域レベルでの空間的プロセスの不均一性を個人レベルでではなく,地域レベルでモデル化することを提案する。 本研究では,2016年アメリカ合衆国大統領選挙における郡レベルの投票率の空間的予測に,地域GCNという空間的不均一性を考慮したグラフ畳み込みネットワークを適用した。
  論文  参考訳（メタデータ） (2025-01-29T12:09:01Z)
• Constructing Indoor Region-based Radio Map without Location Labels [18.34037687586167]
  本稿では、位置ラベルを使わずに受信信号強度(RSS)測定から地域ベースの無線マップを開発する。 構築は、屋内エリアの各地域を正確に1度訪問するデバイスから、盲目的に収集されたRSS測定データに基づいて行われる。 提案手法は, 重み付きセントロイド局在化(WCL)ベースラインと比較して, 領域の局所化誤差を約50%削減する。
  論文  参考訳（メタデータ） (2023-08-31T14:27:36Z)
• IDA: Informed Domain Adaptive Semantic Segmentation [51.12107564372869]
  クラスレベルのセグメンテーション性能に基づいてデータを混合する自己学習フレームワークであるDomain Informed Adaptation (IDA) モデルを提案する。 IDAモデルでは、クラスレベルの性能を期待信頼スコア(ECS)によって追跡し、動的スケジュールを用いて異なる領域のデータに対する混合比を決定する。 提案手法は,GTA-Vの都市景観への適応において1.1 mIoU,SynTHIAの都市への適応において0.9 mIoUのマージンで,最先端のUDA-SS法よりも優れる。
  論文  参考訳（メタデータ） (2023-03-05T18:16:34Z)
• Valid P-Value for Deep Learning-Driven Salient Region [21.184555512370085]
  p-値の形で正則領域の信頼性を定量化する手法を提案する。 提案手法は,有意な領域の偽陽性検出の確率を確実に制御できる。
  論文  参考訳（メタデータ） (2023-01-06T09:51:09Z)
• A Coarse-to-Fine Approach for Urban Land Use Mapping Based on Multisource Geospatial Data [4.2968261363970095]
  本稿では,パーセルレベルの都市土地利用マッピングのための機械学習に基づくアプローチを提案する。 まず、道路網から生成された区画に基づいて、都市をビルトアップと非ビルトアップに分割する。 次に,異なる地域におけるパーセルの分類戦略を採用し,最終的に分類結果を統合された土地利用地図に組み合わせた。
  論文  参考訳（メタデータ） (2022-08-18T13:30:56Z)
• Semantic Segmentation by Early Region Proxy [53.594035639400616]
  本稿では,学習可能な領域のテッセルレーションとしてイメージを解釈することから始まる,新規で効率的なモデリングについて述べる。 領域のコンテキストをモデル化するために,Transformerを用いてシーケンス・ツー・シーケンス方式で領域を符号化する。 現在、符号化された領域埋め込みの上に、領域ごとのセマンティックセグメンテーションを行う。
  論文  参考訳（メタデータ） (2022-03-26T10:48:32Z)
• Bayesian Structure Learning with Generative Flow Networks [85.84396514570373]
  ベイズ構造学習では、データから有向非巡回グラフ(DAG)上の分布を推定することに興味がある。 近年,ジェネレーティブ・フロー・ネットワーク(GFlowNets)と呼ばれる確率モデルのクラスが,ジェネレーティブ・モデリングの一般的なフレームワークとして紹介されている。 DAG-GFlowNetと呼ばれる本手法は,DAGよりも後方の正確な近似を提供する。
  論文  参考訳（メタデータ） (2022-02-28T15:53:10Z)
• Region-Based Semantic Factorization in GANs [67.90498535507106]
  本稿では,任意の画像領域についてGAN(Generative Adversarial Networks)が学習した潜在意味を分解するアルゴリズムを提案する。 適切に定義された一般化されたレイリー商を通して、アノテーションや訓練なしにそのような問題を解く。 様々な最先端のGANモデルに対する実験結果から,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2022-02-19T17:46:02Z)
• Domain-Adversarial Training of Self-Attention Based Networks for Land Cover Classification using Multi-temporal Sentinel-2 Satellite Imagery [0.0]
  ほとんどの実用的なアプリケーションはラベル付きデータには依存せず、この分野では調査は時間のかかるソリューションである。 本稿では,異なる地理的領域間のドメイン不一致を橋渡しする深層ニューラルネットワークの対比訓練について検討する。
  論文  参考訳（メタデータ） (2021-04-01T15:45:17Z)
• Improving Generative Adversarial Networks with Local Coordinate Coding [150.24880482480455]
  GAN(Generative Adversarial Network)は、事前定義された事前分布から現実的なデータを生成することに成功している。 実際には、意味情報はデータから学んだ潜在的な分布によって表現される。 ローカル座標符号化(LCC)を用いたLCCGANモデルを提案する。
  論文  参考訳（メタデータ） (2020-07-28T09:17:50Z)
• Adaptive Region-Based Active Learning [57.78835999208091]
  入力空間を有限個の領域に適応的に分割する新しい能動学習アルゴリズムを提案する。 本稿では,アルゴリズムの一般化誤差とラベル複雑性の両立を理論的に保証する。 いくつかの実世界のデータセットに対する広範な実験結果について報告する。
  論文  参考訳（メタデータ） (2020-02-18T03:16:36Z)

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。