論文の概要: Learning to Gridize: Segment Physical World by Wireless Communication Channel
- arxiv url: http://arxiv.org/abs/2507.15386v1
- Date: Mon, 21 Jul 2025 08:43:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-22 20:51:32.327764
- Title: Learning to Gridize: Segment Physical World by Wireless Communication Channel
- Title（参考訳）: グリッド化の学習:無線通信によるセグメント物理世界
- Authors: Juntao Wang, Feng Yin, Tian Ding, Tsung-Hui Chang, Zhi-Quan Luo, Qi Yan,
- Abstract要約: Channel Space Gridization (CSG) は、チャネル推定とグリッド化を初めて統合する先駆的なフレームワークである。
トレーニング可能なRSRP-to-CAPSエンコーダ、学習可能なスパースコードブック量子化器、物理インフォームドデコーダを備えたCSGオートエンコーダ(CSG-AE)を開発した。
CSG-AEは合成データのCAPS推定精度とクラスタリング品質に優れる。
- 参考スコア（独自算出の注目度）: 32.95972150896482
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Gridization, the process of partitioning space into grids where users share similar channel characteristics, serves as a fundamental prerequisite for efficient large-scale network optimization. However, existing methods like Geographical or Beam Space Gridization (GSG or BSG) are limited by reliance on unavailable location data or the flawed assumption that similar signal strengths imply similar channel properties. We propose Channel Space Gridization (CSG), a pioneering framework that unifies channel estimation and gridization for the first time. Formulated as a joint optimization problem, CSG uses only beam-level reference signal received power (RSRP) to estimate Channel Angle Power Spectra (CAPS) and partition samples into grids with homogeneous channel characteristics. To perform CSG, we develop the CSG Autoencoder (CSG-AE), featuring a trainable RSRP-to-CAPS encoder, a learnable sparse codebook quantizer, and a physics-informed decoder based on the Localized Statistical Channel Model. On recognizing the limitations of naive training scheme, we propose a novel Pretraining-Initialization-Detached-Asynchronous (PIDA) training scheme for CSG-AE, ensuring stable and effective training by systematically addressing the common pitfalls of the naive training paradigm. Evaluations reveal that CSG-AE excels in CAPS estimation accuracy and clustering quality on synthetic data. On real-world datasets, it reduces Active Mean Absolute Error (MAE) by 30\% and Overall MAE by 65\% on RSRP prediction accuracy compared to salient baselines using the same data, while improving channel consistency, cluster sizes balance, and active ratio, advancing the development of gridization for large-scale network optimization.
- Abstract（参考訳）: グリッド化(Gridization)は、ユーザが同様のチャネル特性を共有するグリッドに空間を分割するプロセスであり、大規模なネットワーク最適化を効率的にするための基本的な前提条件として機能する。
しかし、ジオグラフィックやビームスペースグリッド化(GSG、BSG)のような既存の手法は、入手できない位置データや、同様の信号強度がチャネル特性に類似しているという欠点のある仮定に依存して制限されている。
本稿では、チャネル推定とグリッド化を初めて統合する先駆的なフレームワークであるChannel Space Gridization (CSG)を提案する。
共同最適化問題として定式化されたCSGは、ビームレベル基準信号受信電力(RSRP)のみを使用して、チャネルアングルパワースペクトル(CAPS)を推定し、サンプルを均質なチャネル特性を持つグリッドに分割する。
そこで我々は,CSGオートエンコーダ(CSG-AE)を開発し,トレーニング可能なRSRP-to-CAPSエンコーダ,学習可能なスパース符号ブック量子化器,局所統計チャネルモデルに基づく物理情報デコーダを開発した。
ナイーブトレーニングの限界を認識するため,CSG-AEのための新しいトレーニング-初期化-非同期(PIDA)トレーニングスキームを提案し,ナイーブトレーニングパラダイムの共通の落とし穴を体系的に解決し,安定的で効果的なトレーニングを確実にする。
CSG-AEは合成データのCAPS推定精度とクラスタリング品質に優れていた。
実世界のデータセットでは、Active Mean Absolute Error(MAE)を30倍、全体的なMAEを65倍に削減し、RSRP予測精度を同じデータを使用した有能なベースラインと比較し、チャネル一貫性、クラスタサイズバランス、アクティブ比を改善し、大規模ネットワーク最適化のためのグリッド化の開発を進めた。
関連論文リスト
- Standards-Compliant DM-RS Allocation via Temporal Channel Prediction for Massive MIMO Systems [4.251030047034567]
チャネル予測に基づく参照信号アロケーション(CPRS)の概念を導入する。
CPRSはチャネル予測とDM-RSアロケーションを共同で最適化し、CSIフィードバックを必要とせずにデータスループットを向上させる。
ベンチマーク戦略よりも36.60%のスループット向上を実現しています。
論文 参考訳（メタデータ） (2025-07-15T07:56:37Z) - Channel Fingerprint Construction for Massive MIMO: A Deep Conditional Generative Approach [65.47969413708344]
CF双生児の概念を導入し、条件付き生成拡散モデル(CGDM)を設計する。
本研究では, 粗粒CFに条件付き観測された細粒CFの対数分布に対するエビデンスローバウンド(ELBO)を導出するために, 変分推論手法を用いる。
提案手法は, ベースラインと比較して, 復元性能が著しく向上していることを示す。
論文 参考訳（メタデータ） (2025-05-12T01:36:06Z) - A Memory-Based Reinforcement Learning Approach to Integrated Sensing and Communication [52.40430937325323]
本稿では、送信機が受信機に送信した信号をメモリ付きチャネル上で送信するISACシステムについて考察する。
オンライン方式でセンシングを行う場合,ISAC問題に対するキャパシティ・歪みトレードオフを定式化する。
論文 参考訳（メタデータ） (2024-12-02T03:30:50Z) - HAFLQ: Heterogeneous Adaptive Federated LoRA Fine-tuned LLM with Quantization [55.972018549438964]
LLM(Federated Fine-tuning of Pre-trained Large Language Models)は、さまざまなデータセットにまたがるタスク固有の適応を可能にすると同時に、プライバシの保護を可能にする。
本研究では, HAFLQ (Heterogeneous Adaptive Federated Low-Rank Adaptation Fine-tuned LLM with Quantization) を提案する。
テキスト分類タスクの実験結果から,HAFLQはメモリ使用量を31%削減し,通信コストを49%削減し,精度を50%向上し,ベースライン法よりも高速な収束を実現している。
論文 参考訳（メタデータ） (2024-11-10T19:59:54Z) - SINR-Aware Deep Reinforcement Learning for Distributed Dynamic Channel
Allocation in Cognitive Interference Networks [10.514231683620517]
本稿では,複数の大規模ネットワークによるキャリヤ間干渉(ICI)とチャネル再利用を経験する実世界のシステムに焦点を当てる。
CARLTON(Channel Allocation RL To Overlapped Networks)と呼ばれる分散DCAのための新しいマルチエージェント強化学習フレームワークを提案する。
本結果は,従来の最先端手法に比べて優れた効率性を示し,優れた性能とロバストな一般化を示した。
論文 参考訳（メタデータ） (2024-02-17T20:03:02Z) - Non-Coherent Over-the-Air Decentralized Gradient Descent [0.0]
無線システムにおける分散グラディエントDescentの実装は、ノイズ、フェーディング、帯域幅の制限により困難である。
本稿では,スケジューリング,トポロジ情報,CSIの必要性を解消するスケーラブルなDGDアルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-11-19T19:15:34Z) - Adaptive Step-Size Methods for Compressed SGD [15.32764898836189]
分散および分散化ネットワークにおける通信ボトルネックに対処するために,圧縮分散型グラディエント Descent (SGD) アルゴリズムが最近提案されている。
我々は、圧縮データセットの順序収束率を確立するために使用するスケーリングステップを導入する。
実世界のデータセットに対する実験結果を示す。
論文 参考訳（メタデータ） (2022-07-20T17:20:58Z) - Hierarchical Spherical CNNs with Lifting-based Adaptive Wavelets for
Pooling and Unpooling [101.72318949104627]
本稿では, 階層型畳み込みニューラルネットワーク(HS-CNN)の新たな枠組みを提案し, プールやアンプールのための適応球面ウェーブレットを学習する。
LiftHS-CNNは、画像レベルのタスクとピクセルレベルのタスクの両方において、より効率的な階層的特徴学習を実現する。
論文 参考訳（メタデータ） (2022-05-31T07:23:42Z) - Graph-based Algorithm Unfolding for Energy-aware Power Allocation in
Wireless Networks [27.600081147252155]
我々は,無線通信網におけるエネルギー効率を最大化する新しいグラフ要約フレームワークを開発した。
無線ネットワークデータのモデルに望ましい特性である置換訓練について述べる。
結果は、異なるネットワークトポロジにまたがる一般化可能性を示している。
論文 参考訳（メタデータ） (2022-01-27T20:23:24Z) - Semi-Supervised Learning for Channel Charting-Aided IoT Localization in
Millimeter Wave Networks [97.66522637417636]
ミリ波ネットワークにおけるチャネルチャート(CC)支援の新たな枠組みを提案する。
特に,無線機器の3次元位置を推定するために,畳み込み型オートエンコーダモデルを提案する。
フレームワークは半教師付きフレームワークに拡張され、オートエンコーダは2つのコンポーネントに分割される。
論文 参考訳（メタデータ） (2021-08-03T14:41:38Z) - Cross-Attention in Coupled Unmixing Nets for Unsupervised Hyperspectral
Super-Resolution [79.97180849505294]
本稿では,HSIの空間分解能を高めるために,CUCaNetというクロスアテンション機構を備えた新しい結合型アンミックスネットワークを提案する。
3つの広く使われているHS-MSデータセットに対して、最先端のHSI-SRモデルと比較実験を行った。
論文 参考訳（メタデータ） (2020-07-10T08:08:20Z) - Overlap Local-SGD: An Algorithmic Approach to Hide Communication Delays
in Distributed SGD [32.03967072200476]
We propose a algorithmic approach named OverlapLocal-Local-Local-SGD (Local momentum variant)。
各ノードにアンカーモデルを追加することでこれを実現する。
複数のローカルアップデートの後、ローカルにトレーニングされたモデルは、他の人と通信するのではなく、アンカーモデルへと引き戻される。
論文 参考訳（メタデータ） (2020-02-21T20:33:49Z)
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。