論文の概要: Analogical Learning for Cross-Scenario Generalization: Framework and Application to Intelligent Localization

• arxiv url: http://arxiv.org/abs/2504.08811v2
• Date: Tue, 01 Jul 2025 01:53:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-02 13:52:14.009694
• Title: Analogical Learning for Cross-Scenario Generalization: Framework and Application to Intelligent Localization
• Title（参考訳）: クロスシナリオ一般化のためのアナロジカルラーニング:フレームワークとインテリジェントローカライゼーションへの応用
• Authors: Zirui Chen, Zhaoyang Zhang, Ziqing Xing, Ridong Li, Zhaohui Yang, Richeng Jin, Chongwen Huang, Yuzhi Yang, Mérouane Debbah,
• Abstract要約: 本稿では、アナログ学習(AL)というディープラーニングフレームワークを提案する。 ALは暗黙的にシナリオに関連する参照フレーム情報を検索し、他のシナリオと相対的な類似によって正確な予測を行う。 セルネットワークにおけるインテリジェントな無線ローカライゼーションの典型的なマルチシナリオ学習問題にALを適用した。
• 参考スコア（独自算出の注目度）: 45.64154370037619
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing learning models often exhibit poor generalization when deployed across diverse scenarios. It is primarily due to that the underlying reference frame of the data varies with the deployment environment and settings. However, despite that data of each scenario has a distinct reference frame, its generation generally follows common underlying physical rules. Based on this understanding, this article proposes a deep learning framework named analogical learning (AL), which implicitly retrieves the reference frame information associated with a scenario and then to make accurate prediction by relative analogy with other scenarios. Specifically, we design a bipartite neural network called Mateformer. Its first part captures the relativity within multiple latent feature spaces between the input data and a small amount of embedded data from the studied scenario, while its second part uses this relativity to guide the nonlinear analogy. We apply AL to the typical multi-scenario learning problem of intelligent wireless localization in cellular networks. Extensive experiments validate AL's superiority across three key dimensions. First, it achieves state-of-the-art accuracy in single-scenario benchmarks. Second, it demonstrates stable transferability between different scenarios, avoiding catastrophic forgetting. Finally, and most importantly, it robustly adapts to new, unseen scenarios--including dynamic weather and traffic conditions--without any tuning. All data and code are available at https://github.com/ziruichen-research/ALLoc.
• Abstract（参考訳）: 既存の学習モデルは、様々なシナリオにまたがってデプロイされる場合、一般化が不十分であることが多い。 主な原因は、データの基盤となる参照フレームがデプロイメント環境や設定によって異なるためである。 しかし、各シナリオのデータには異なる参照フレームがあるにもかかわらず、その生成は一般的に共通の物理規則に従う。 この理解に基づき,本論文では,シナリオに関連する参照フレーム情報を暗黙的に検索し,他のシナリオと相対的な類似によって正確な予測を行うための,アナログ学習(AL)というディープラーニングフレームワークを提案する。 具体的には、Mateformerと呼ばれる二部構成のニューラルネットワークを設計する。 その第1部は、入力データと研究シナリオからの少量の埋め込みデータの間の複数の潜在特徴空間内の相対性をキャプチャし、第2部は、この相対性理論を用いて非線形アナロジーを導く。 セルネットワークにおけるインテリジェントな無線ローカライゼーションの典型的なマルチシナリオ学習問題にALを適用した。 大規模な実験は、ALの3つの重要な次元における優越性を検証する。 まず、単一のシナリオベンチマークで最先端の精度を達成する。 第二に、異なるシナリオ間の安定した転送可能性を示し、破滅的な忘れを避ける。 最後に、そして最も重要なことは、動的気象や交通条件を含む、新しい、目に見えないシナリオに、チューニングなしでしっかりと適応することです。 すべてのデータとコードはhttps://github.com/ziruichen-research/alloc.comで入手できる。

関連論文リスト

• Improved Generalization Bounds for Communication Efficient Federated Learning [4.3707341422218215]
  本稿では,一般化境界の探索と表現学習によるフェデレーション学習の通信コストの低減に焦点をあてる。 我々は、一般化境界と表現学習分析に基づいて、適応的局所ステップ付きフェデレートラーニング(FedALS)アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2024-04-17T21:17:48Z)
• Federated Learning with Projected Trajectory Regularization [65.6266768678291]
  フェデレーション学習は、ローカルデータを共有せずに、分散クライアントから機械学習モデルの共同トレーニングを可能にする。 連合学習における重要な課題の1つは、クライアントにまたがる識別できない分散データを扱うことである。 本稿では,データ問題に対処するための予測軌道正則化(FedPTR)を備えた新しいフェデレーション学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-12-22T02:12:08Z)
• RGM: A Robust Generalizable Matching Model [49.60975442871967]
  RGM(Robust Generalist Matching)と呼ばれる疎密マッチングのための深部モデルを提案する。 合成トレーニングサンプルと実世界のシナリオのギャップを狭めるために、我々は、疎対応基盤真理を持つ新しい大規模データセットを構築した。 さまざまな密集したスパースなデータセットを混ぜ合わせることができ、トレーニングの多様性を大幅に改善しています。
  論文  参考訳（メタデータ） (2023-10-18T07:30:08Z)
• Federated Gradient Matching Pursuit [17.695717854068715]
  従来の機械学習技術では、1つのサーバまたはデータハブ上のすべてのトレーニングデータを集中化する必要がある。 特に、FL(Federated Learning)は、ローカルクライアントでトレーニングデータを保持しながら、共有モデルを学習するためのソリューションを提供する。 本稿では,FL設定における分散制約最小化問題を解くために,新しいアルゴリズムフレームワークFedGradMPを提案する。
  論文  参考訳（メタデータ） (2023-02-20T16:26:29Z)
• Unified Instance and Knowledge Alignment Pretraining for Aspect-based Sentiment Analysis [96.53859361560505]
  Aspect-based Sentiment Analysis (ABSA) は、ある側面に対する感情の極性を決定することを目的としている。 事前トレーニングと下流ABSAデータセットの間には、常に深刻なドメインシフトが存在する。 我々は,バニラ・プレトレイン・ファインチューンパイプラインにアライメント事前訓練フレームワークを導入する。
  論文  参考訳（メタデータ） (2021-10-26T04:03:45Z)
• Understanding Dynamics of Nonlinear Representation Learning and Its Application [12.697842097171119]
  暗黙的非線形表現学習のダイナミクスについて検討する。 我々は,データ構造アライメント条件がグローバル収束に十分であることを示す。 我々はデータ構造アライメント条件を満たす新しいトレーニングフレームワークを作成した。
  論文  参考訳（メタデータ） (2021-06-28T16:31:30Z)
• Clustered Federated Learning via Generalized Total Variation Minimization [83.26141667853057]
  本研究では,分散ネットワーク構造を持つローカルデータセットの局所的(あるいはパーソナライズされた)モデルを学習するための最適化手法について検討する。 我々の主要な概念的貢献は、総変動最小化(GTV)としてフェデレーション学習を定式化することである。 私たちのアルゴリズムの主な貢献は、完全に分散化されたフェデレーション学習アルゴリズムです。
  論文  参考訳（メタデータ） (2021-05-26T18:07:19Z)
• Learning to Continuously Optimize Wireless Resource in a Dynamic Environment: A Bilevel Optimization Perspective [52.497514255040514]
  この研究は、データ駆動メソッドが動的環境でリソース割り当て戦略を継続的に学び、最適化することを可能にする新しいアプローチを開発しています。 学習モデルが新たなエピソードに段階的に適応できるように、連続学習の概念を無線システム設計に組み込むことを提案する。 我々の設計は、異なるデータサンプルにまたがる公平性を保証する、新しい二段階最適化定式化に基づいている。
  論文  参考訳（メタデータ） (2021-05-03T07:23:39Z)
• Deep Context-Aware Novelty Detection [6.599344783327053]
  ノベルティ検出の一般的な仮定は、「正規」データと「ノーベル」データの双方の分布が静的であるということである。 例えば、データが時間とともに進化するシナリオや、通常と新規の定義がコンテキスト情報に依存するシナリオなどです。 これは、あるシナリオにおける正規データの分布が別のシナリオにおける新規データの分布と似ているデータセット上でモデルをトレーニングしようとする場合、重大な困難を引き起こす可能性がある。
  論文  参考訳（メタデータ） (2020-06-01T18:02:51Z)
• FedLoc: Federated Learning Framework for Data-Driven Cooperative Localization and Location Data Processing [12.518673970373422]
  データ駆動学習モデルに基づく協調的ローカライゼーションと位置データ処理について考察する。 我々はまず,フェデレート学習の文脈における最先端のアルゴリズムについて検討する。 本稿では,標準,新刊,未公開の各作品から要約した様々な実用事例を紹介する。
  論文  参考訳（メタデータ） (2020-03-08T01:51:56Z)

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。