論文の概要: Adaptive Attention-Based Model for 5G Radio-based Outdoor Localization
- arxiv url: http://arxiv.org/abs/2503.23810v1
- Date: Mon, 31 Mar 2025 07:44:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-01 14:33:09.236694
- Title: Adaptive Attention-Based Model for 5G Radio-based Outdoor Localization
- Title（参考訳）: 5Gラジオを用いた屋外位置推定のための適応的注意ベースモデル
- Authors: Ilayda Yaman, Guoda Tian, Fredrik Tufvesson, Ove Edfors, Zhengya Zhang, Liang Liu,
- Abstract要約: 我々は、浅い注意に基づくモデルと単一層パーセプトロン(SLP)に基づくルータ/スイッチング機構を組み合わせた適応的ローカライゼーションフレームワークを開発した。
これにより、異なる条件に最適化された特殊なローカライゼーションモデル間のシームレスな遷移を可能にし、精度、計算効率、環境変動に対する堅牢さのバランスをとることができる。
- 参考スコア（独自算出の注目度）: 10.271380902604212
- License:
- Abstract: Radio-based localization in dynamic environments, such as urban and vehicular settings, requires systems that can efficiently adapt to varying signal conditions and environmental changes. Factors such as multipath interference and obstructions introduce different levels of complexity that affect the accuracy of the localization. Although generalized models offer broad applicability, they often struggle to capture the nuances of specific environments, leading to suboptimal performance in real-world deployments. In contrast, specialized models can be tailored to particular conditions, enabling more precise localization by effectively handling domain-specific variations and noise patterns. However, deploying multiple specialized models requires an efficient mechanism to select the most appropriate one for a given scenario. In this work, we develop an adaptive localization framework that combines shallow attention-based models with a router/switching mechanism based on a single-layer perceptron (SLP). This enables seamless transitions between specialized localization models optimized for different conditions, balancing accuracy, computational efficiency, and robustness to environmental variations. We design three low-complex localization models tailored for distinct scenarios, optimized for reduced computational complexity, test time, and model size. The router dynamically selects the most suitable model based on real-time input characteristics. The proposed framework is validated using real-world vehicle localization data collected from a massive MIMO base station (BS), demonstrating its ability to seamlessly adapt to diverse deployment conditions while maintaining high localization accuracy.
- Abstract（参考訳）: 都市や車両の設定などの動的環境における無線による局所化は、様々な信号条件や環境変化に効率的に適応できるシステムを必要とする。
マルチパス干渉や障害などの要因は、局所化の精度に影響を与える様々なレベルの複雑さをもたらす。
一般化されたモデルは幅広い適用性を提供するが、それらはしばしば特定の環境のニュアンスを捉えるのに苦労し、現実のデプロイメントにおいて最適以下のパフォーマンスをもたらす。
対照的に、特殊なモデルは特定の条件に合わせて調整することができ、ドメイン固有のバリエーションやノイズパターンを効果的に扱うことにより、より正確な局所化を可能にする。
しかし、複数の特殊なモデルをデプロイするには、与えられたシナリオに対して最も適切なモデルを選択するための効率的なメカニズムが必要である。
本研究では,浅い注意に基づくモデルと単一層パーセプトロン(SLP)に基づくルータ/スイッチング機構を組み合わせた適応的局所化フレームワークを開発する。
これにより、異なる条件に最適化された特殊なローカライゼーションモデル間のシームレスな遷移を可能にし、精度、計算効率、環境変動に対する堅牢さのバランスをとることができる。
我々は,計算複雑性の低減,テスト時間,モデルサイズに最適化された,異なるシナリオに適した3つの低複雑さローカライゼーションモデルを設計する。
ルータはリアルタイムの入力特性に基づいて最適なモデルを選択する。
提案手法は,大規模なMIMO基地局(BS)から収集した実世界の車両位置データを用いて検証し,高い位置決め精度を維持しつつ,多様な配置条件にシームレスに適応できることを実証した。
関連論文リスト
- Few-shot Steerable Alignment: Adapting Rewards and LLM Policies with Neural Processes [50.544186914115045]
大きな言語モデル(LLM)は、日々のアプリケーションにますます組み込まれています。
個人ユーザの多様な嗜好との整合性を確保することは、重要な課題となっている。
数発のステアライメントの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） (2024-12-18T16:14:59Z) - DECODE: Domain-aware Continual Domain Expansion for Motion Prediction [10.479509360064219]
動作予測のための新しい連続学習フレームワークであるDECODEを紹介する。
専門化と一般化のバランスをとり、リアルタイムの要求に合わせて動的に調整する。
保存率は0.044で平均0.584mである。
論文 参考訳（メタデータ） (2024-11-26T22:20:22Z) - Locally Adaptive and Differentiable Regression [10.194448186897906]
本稿では,局所学習モデルの重み付き平均値に基づいて,グローバルな連続・微分可能なモデルを構築するための一般的な枠組みを提案する。
局所モデルでカーネルリッジと回帰項を混合し、それらを連続的に縫合すると、理論上の統計的収束が早くなり、様々な実用的な設定で性能が向上することを示した。
論文 参考訳（メタデータ） (2023-08-14T19:12:40Z) - Learning Regions of Interest for Bayesian Optimization with Adaptive
Level-Set Estimation [84.0621253654014]
本稿では,高信頼領域を適応的にフィルタするBALLETというフレームワークを提案する。
理論的には、BALLETは探索空間を効率的に縮小することができ、標準BOよりも厳密な後悔を示すことができる。
論文 参考訳（メタデータ） (2023-07-25T09:45:47Z) - Adaptive Spot-Guided Transformer for Consistent Local Feature Matching [64.30749838423922]
局所的特徴マッチングのための適応スポットガイド変換器(ASTR)を提案する。
ASTRは、統一された粗いアーキテクチャにおける局所的な一貫性とスケールのバリエーションをモデル化する。
論文 参考訳（メタデータ） (2023-03-29T12:28:01Z) - Task-Adaptive Meta-Learning Framework for Advancing Spatial
Generalizability [5.448577641039577]
本研究では、地域的に異質なデータを位置感応的なメタタスクに組み込むモデルに依存しないメタ学習フレームワークを提案する。
提案手法の1つの大きな利点は、多種多様なタスクへのモデル適応を改善することである。
また、対応する難易度のメタモデルを新しいタスクに自動的に適応させることで、モデルの一般化を強化する。
論文 参考訳（メタデータ） (2022-12-10T01:50:35Z) - Change Detection for Local Explainability in Evolving Data Streams [72.4816340552763]
局所的特徴帰属法はポストホックやモデルに依存しない説明法として人気がある。
ローカルな属性が、ストリーミングやオンラインアプリケーションのような、現実的で絶えず変化する設定でどのように振る舞うかは、しばしば不明である。
局所変化と概念ドリフトを検出するフレキシブルでモデルに依存しないCDLEEDSを提案する。
論文 参考訳（メタデータ） (2022-09-06T18:38:34Z) - PointFix: Learning to Fix Domain Bias for Robust Online Stereo
Adaptation [67.41325356479229]
本稿では,PointFixと呼ばれるメタラーニングフレームワークに補助的なポイント選択型ネットワークを導入することを提案する。
簡単に言えば、我々の補助的ネットワークは、メタグラディエントを通じて局所情報を効果的にバックプロパゲートすることで、局所的変異を集中的に修正することを学ぶ。
このネットワークはモデルに依存しないため、プラグイン・アンド・プレイ方式であらゆる種類のアーキテクチャで使用することができる。
論文 参考訳（メタデータ） (2022-07-27T07:48:29Z) - Slimmable Domain Adaptation [112.19652651687402]
重み付けモデルバンクを用いて、ドメイン間の一般化を改善するためのシンプルなフレームワーク、Slimmable Domain Adaptationを導入する。
私たちのフレームワークは、他の競合するアプローチを、複数のベンチマークにおいて非常に大きなマージンで上回ります。
論文 参考訳（メタデータ） (2022-06-14T06:28:04Z) - Local-Adaptive Face Recognition via Graph-based Meta-Clustering and
Regularized Adaptation [21.08555249703121]
局所適応顔認識(LaFR)と呼ばれる新しい問題設定を導入する。
LaFRは、ローカルに適応したモデルを自動かつ非監視にトレーニングすることで、最適なパフォーマンスを実現することを目指している。
更新された局所モデルに対して,単純なフェデレーションアグリゲーションにより,LaFRはグローバルモデルをさらに改善できることを示す。
論文 参考訳（メタデータ） (2022-03-27T15:20:14Z) - Robust Federated Learning Through Representation Matching and Adaptive
Hyper-parameters [5.319361976450981]
フェデレーション学習(Federated Learning)は、複数のクライアントに属するデータに対して単一のモデルをトレーニングする、分散されたプライバシ対応の学習シナリオである。
現在のフェデレーション学習手法は、異種クライアント側データ分散に苦慮している。
本稿では,局所モデルのばらつきを低減する表現マッチング手法を提案する。
論文 参考訳（メタデータ） (2019-12-30T20:19:20Z)
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。