論文の概要: A Disentangled Representation Learning Framework for Low-altitude Network Coverage Prediction

• arxiv url: http://arxiv.org/abs/2507.14186v1
• Date: Sun, 13 Jul 2025 05:31:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-22 20:51:31.740081
• Title: A Disentangled Representation Learning Framework for Low-altitude Network Coverage Prediction
• Title（参考訳）: 低高度ネットワーク被覆予測のためのアンタングル表現学習フレームワーク
• Authors: Xiaojie Li, Zhijie Cai, Nan Qi, Chao Dong, Guangxu Zhu, Haixia Ma, Qihui Wu, Shi Jin,
• Abstract要約: 低高度経済の拡大は、空路設計における低高度ネットワーク被覆(LANC)予測の重要性を浮き彫りにした。 専門知識に基づく特徴圧縮と非絡み合い表現学習を組み合わせた二重戦略を導入する。 実験により,本フレームワークの有効性が確認され,最高のベースラインアルゴリズムと比較して7%の誤差が減少した。
• 参考スコア（独自算出の注目度）: 42.71119573226285
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The expansion of the low-altitude economy has underscored the significance of Low-Altitude Network Coverage (LANC) prediction for designing aerial corridors. While accurate LANC forecasting hinges on the antenna beam patterns of Base Stations (BSs), these patterns are typically proprietary and not readily accessible. Operational parameters of BSs, which inherently contain beam information, offer an opportunity for data-driven low-altitude coverage prediction. However, collecting extensive low-altitude road test data is cost-prohibitive, often yielding only sparse samples per BS. This scarcity results in two primary challenges: imbalanced feature sampling due to limited variability in high-dimensional operational parameters against the backdrop of substantial changes in low-dimensional sampling locations, and diminished generalizability stemming from insufficient data samples. To overcome these obstacles, we introduce a dual strategy comprising expert knowledge-based feature compression and disentangled representation learning. The former reduces feature space complexity by leveraging communications expertise, while the latter enhances model generalizability through the integration of propagation models and distinct subnetworks that capture and aggregate the semantic representations of latent features. Experimental evaluation confirms the efficacy of our framework, yielding a 7% reduction in error compared to the best baseline algorithm. Real-network validations further attest to its reliability, achieving practical prediction accuracy with MAE errors at the 5dB level.
• Abstract（参考訳）: 低高度経済の拡大は、空路設計における低高度ネットワーク被覆(LANC)予測の重要性を浮き彫りにした。 正確なLANC予測は基地局(BS)のアンテナビームパターンに基づくが、これらのパターンは一般的にプロプライエタリであり、アクセスできない。 本質的にビーム情報を含むBSの操作パラメータは、データ駆動低高度カバレッジ予測の機会を提供する。 しかし、広範囲にわたる低高度道路試験データの収集はコストが抑えられ、しばしばBS当たりのスパースサンプルしか得られない。 この不足は2つの主要な課題をもたらす: 高次元の操作パラメータの変動が限定されていることによる不均衡な特徴サンプリングと、低次元のサンプリング位置における実質的な変化の背景、および不十分なデータサンプルから生じる一般化性の低下である。 これらの障害を克服するために、専門家の知識に基づく特徴圧縮と非絡み合い表現学習を組み合わせた二重戦略を導入する。 前者はコミュニケーションの専門知識を活用して特徴空間の複雑さを減らし、後者は伝達モデルと潜在特徴のセマンティック表現をキャプチャして集約する独立したサブネットの統合によりモデルの一般化性を高める。 実験により,本フレームワークの有効性が確認され,最高のベースラインアルゴリズムと比較して7%の誤差が減少した。 実ネットワーク検証により信頼性がさらに向上し、5dBレベルでのMAE誤差による予測精度が向上した。

関連論文リスト

• Debiasing Machine Learning Predictions for Causal Inference Without Additional Ground Truth Data: "One Map, Many Trials" in Satellite-Driven Poverty Analysis [3.4137115855910762]
  新たに収集したラベル付きデータに頼らずに予測バイアスを大幅に低減する2つの補正手法を導入・評価する。 提案手法は, (a) パイプラインのトレーニングや (b) 追加ラベル付きデータに対する調整を必要とする既存のアプローチに適合するか,あるいは性能を向上することを示した。
  論文  参考訳（メタデータ） (2025-08-02T12:26:26Z)
• Conformal Prediction for Zero-Shot Models [20.94974284175104]
  分割共形予測パラダイムに基づくCLIPモデルの能力について検討する。 本稿では、キャリブレーションとクエリセットを併用してトランスダクティブを動作させるトランスダクティブ学習環境であるConf-OTを提案する。
  論文  参考訳（メタデータ） (2025-05-30T15:16:19Z)
• Soft ascent-descent as a stable and flexible alternative to flooding [6.527016551650139]
  我々は,軟化・ポイントワイド機構であるSoftADを提案する。この機構は,降水量と降水量の影響を制限し,洪水の上昇・昇華効果を維持できる。 我々は,より小さな損失一般化ギャップとモデル規範を享受しながら,浸水と競合する分類精度をSoftADが実現できることを実証する。
  論文  参考訳（メタデータ） (2023-10-16T02:02:56Z)
• Small Object Detection via Coarse-to-fine Proposal Generation and Imitation Learning [52.06176253457522]
  本稿では,粗粒度パイプラインと特徴模倣学習に基づく小型物体検出に適した2段階フレームワークを提案する。 CFINetは、大規模な小さなオブジェクト検出ベンチマークであるSODA-DとSODA-Aで最先端の性能を達成する。
  論文  参考訳（メタデータ） (2023-08-18T13:13:09Z)
• A Bayesian approach to quantifying uncertainties and improving generalizability in traffic prediction models [0.0]
  本稿では,高一般化性を有する交通予測の不確実性を考慮したベイズ型リカレントニューラルネットワークフレームワークを提案する。 正規化は、モデルの複雑さを制御することによって、ディープニューラルネットワークのトレーニングプロセスを変化させることを示す。 特に交通管理アプリケーションでは,複数箇所にわたる交通状況の予測が目的である。
  論文  参考訳（メタデータ） (2023-07-12T06:23:31Z)
• WSSOD: A New Pipeline for Weakly- and Semi-Supervised Object Detection [75.80075054706079]
  弱機能および半教師付きオブジェクト検出フレームワーク(WSSOD)を提案する。 エージェント検出器は、まず関節データセット上でトレーニングされ、弱注釈画像上で擬似境界ボックスを予測するために使用される。 提案フレームワークはPASCAL-VOC と MSCOCO のベンチマークで顕著な性能を示し,完全教師付き環境で得られたものと同等の性能を達成している。
  論文  参考訳（メタデータ） (2021-05-21T11:58:50Z)
• Robustness to Pruning Predicts Generalization in Deep Neural Networks [29.660568281957072]
  トレーニングの損失に悪影響を与えることなく、pruning中に維持できるネットワークのパラメータの最小の屈折であるprunabilityを紹介します。 この測定は、CIFAR-10で訓練された大規模な畳み込みネットワーク全体のモデル一般化性能を非常に予測できることを示した。
  論文  参考訳（メタデータ） (2021-03-10T11:39:14Z)
• Towards Overcoming False Positives in Visual Relationship Detection [95.15011997876606]
  視覚的関係検出(VRD)における偽陽性率の高い原因について検討する。 本稿では,偽陽性の影響を軽減する堅牢なVRDフレームワークとして,Spatially-Aware Balanced negative pRoposal sAmpling(SABRA)を提案する。
  論文  参考訳（メタデータ） (2020-12-23T06:28:00Z)
• Uncertainty-Aware Deep Calibrated Salient Object Detection [74.58153220370527]
  既存のディープニューラルネットワークに基づくサルエントオブジェクト検出(SOD)手法は主に高いネットワーク精度の追求に重点を置いている。 これらの手法は、信頼不均衡問題として知られるネットワーク精度と予測信頼の間のギャップを見落としている。 我々は,不確実性を考慮した深部SODネットワークを導入し,深部SODネットワークの過信を防止するための2つの戦略を提案する。
  論文  参考訳（メタデータ） (2020-12-10T23:28:36Z)
• Characterising Bias in Compressed Models [20.901725971127973]
  プルーニングと量子化技術は、トップラインメトリクスに無視できない影響で高いレベルの圧縮を実現する。 我々はこのサブセットをCompression Identified Exemplars (CIE)と呼ぶ。 CIEは比較的小さなサブセットですが、モデルにおけるエラーの大きいコントリビュータです。 本稿では,人間のループ監査ツールとして,データセットの抽出可能なサブセットを探索する手法を提案する。
  論文  参考訳（メタデータ） (2020-10-06T22:02:46Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)

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。