論文の概要: Reconstruction of Sparse Urban Wireless Signals via Group Equivariant Non-Expansive Operators
- arxiv url: http://arxiv.org/abs/2507.19349v1
- Date: Fri, 25 Jul 2025 14:59:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-28 16:16:49.004084
- Title: Reconstruction of Sparse Urban Wireless Signals via Group Equivariant Non-Expansive Operators
- Title（参考訳）: 群同変非拡張演算子による疎都市無線信号の再構成
- Authors: Lorenzo Mario Amorosa, Francesco Conti, Nicola Quercioli, Flavio Zabini, Tayebeh Lotfi Mahyari, Yiqun Ge, Patrizio Frosini,
- Abstract要約: 本研究は,群同変非拡張演算子(GENEOs)を用いたスパース計測による空間信号の再構成について検討する。
GENEOsは、データに作用する関数演算子としてモデル化されたエージェントを表現するために機械学習で使用される数学的ツールである。
超スパースサンプリングを用いた都市無線通信網における SINR マップ再構成のための新しい GENEO ベースのアプローチを提案する。
- 参考スコア（独自算出の注目度）: 1.854487156875478
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: In emerging communication systems such as sixth generation (6G) wireless networks, efficient resource management and service delivery rely on accurate knowledge of spatially-varying quantities like signal-to-interference-noise ratio (SINR) maps, which are costly to acquire at high resolution. This work explores the reconstruction of such spatial signals from sparse measurements using Group Equivariant Non-Expansive Operators (GENEOs), offering a low-complexity alternative to traditional neural networks. The concept of GENEO, which originated in topological data analysis (TDA), is a mathematical tool used in machine learning to represent agents modelled as functional operators acting on data while incorporating application-specific invariances. Leveraging these invariances reduces the number of parameters with respect to traditional neural networks and mitigates data scarcity by enforcing known algebraic and geometric constraints that reflect symmetries in the agents' actions. In this paper, we introduce a novel GENEO-based approach for SINR map reconstruction in urban wireless communication networks using extremely sparse sampling. We demonstrate that this mathematical framework achieves competitive performance compared to established methods. Our evaluation, conducted using both statistical and TDA metrics, highlights the advantages of our approach in accurately reconstructing spatial signals under severe data limitations on the number of samples.
- Abstract（参考訳）: 第6世代(6G)無線ネットワークのような新興通信システムでは、効率的な資源管理とサービス提供は、高解像度で取得するのにコストがかかる信号-干渉-雑音比(SINR)マップのような空間的に変化する量の正確な知識に依存している。
本研究は,グループ同変非拡張演算子(GENEOs)を用いたスパース計測による空間信号の再構成について検討する。
genEOの概念は、トポロジカルデータ解析(TDA)に由来するもので、機械学習において、アプリケーション固有の不変性を取り入れつつ、データに作用する関数演算子としてモデル化されたエージェントを表現するために使われる数学的ツールである。
これらの不変性を活用することで、従来のニューラルネットワークに関するパラメータの数を減らし、エージェントの動作の対称性を反映する既知の代数的および幾何学的制約を強制することによって、データの不足を緩和する。
本稿では, 都市無線通信網における SINR マップ再構成のための GENEO を用いた新しい手法を提案する。
この数学的枠組みは, 確立された手法と比較して, 競争性能が向上することを示した。
統計的指標とTDA指標の両方を用いて評価を行った結果,サンプル数に厳しいデータ制限の下で空間信号の正確な再構成を行う上で,本手法の利点が示された。
関連論文リスト
- Rethinking Inductive Bias in Geographically Neural Network Weighted Regression [1.3597551064547502]
この研究は、Geographically Neural Network Weighted Regressionの帰納バイアスを再考する。
局所受容場,逐次的文脈,自己意識を空間的回帰に導入する。
GNNWRは非線形空間関係や複雑な空間関係を捉える上で,従来の手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2025-07-14T06:13:18Z) - Heterogenous Memory Augmented Neural Networks [84.29338268789684]
ニューラルネットワークのための新しいヘテロジニアスメモリ拡張手法を提案する。
学習可能なメモリトークンをアテンション機構付きで導入することにより、膨大な計算オーバーヘッドを伴わずに性能を効果的に向上させることができる。
In-distriion (ID) と Out-of-distriion (OOD) の両方の条件下での様々な画像およびグラフベースのタスクに対するアプローチを示す。
論文 参考訳（メタデータ） (2023-10-17T01:05:28Z) - LD-GAN: Low-Dimensional Generative Adversarial Network for Spectral
Image Generation with Variance Regularization [72.4394510913927]
ディープラーニング法はスペクトル画像(SI)計算タスクの最先端技術である。
GANは、データ分散から学習およびサンプリングすることで、多様な拡張を可能にする。
この種のデータの高次元性は、GANトレーニングの収束を妨げるため、GANベースのSI生成は困難である。
本稿では, オートエンコーダ訓練における低次元表現分散を制御し, GANで生成されたサンプルの多様性を高めるための統計正則化を提案する。
論文 参考訳（メタデータ） (2023-04-29T00:25:02Z) - Neural networks for geospatial data [0.0]
NN-GLSは、GPモデルの非線形平均に対する新しいニューラルネットワーク推定アルゴリズムである。
NN-GLSはグラフニューラルネットワーク(GNN)の特殊型として表現されていることを示す。
理論的には、NN-GLSは不規則に観測された空間相関データプロセスに一貫性があることが示されている。
論文 参考訳（メタデータ） (2023-04-18T17:52:23Z) - Compressed Regression over Adaptive Networks [58.79251288443156]
分散エージェントのネットワークによって達成可能な性能を導出し,通信制約や回帰問題を解消し,適応的に解決する。
エージェントによって最適化に必要なパラメータをオンラインで学習できる最適化アロケーション戦略を考案する。
論文 参考訳（メタデータ） (2023-04-07T13:41:08Z) - Intrusion Detection using Spatial-Temporal features based on Riemannian
Manifold [1.14219428942199]
ネットワークトラフィックデータは、異なるネットワークプロトコルの下で異なるデータバイトパケットの組み合わせである。
これらのトラフィックパケットは、複雑な時間変化の非線形関係を持つ。
既存の最先端の手法は、相関に基づいて特徴を複数のサブセットに融合することで、この課題に発展する。
これはしばしば、高い計算コストと、ネットワークトラフィックのリアルタイム処理に制限となる手動サポートを必要とする。
論文 参考訳（メタデータ） (2021-10-31T23:50:59Z) - Robust lEarned Shrinkage-Thresholding (REST): Robust unrolling for
sparse recover [87.28082715343896]
我々は、モデルミス特定を前進させるのに堅牢な逆問題を解決するためのディープニューラルネットワークについて検討する。
我々は,アルゴリズムの展開手法を根底にある回復問題のロバストバージョンに適用することにより,新しい堅牢なディープニューラルネットワークアーキテクチャを設計する。
提案したRESTネットワークは,圧縮センシングとレーダイメージングの両問題において,最先端のモデルベースおよびデータ駆動アルゴリズムを上回る性能を示す。
論文 参考訳（メタデータ） (2021-10-20T06:15:45Z) - Locally Sparse Networks for Interpretable Predictions [7.362415721170984]
本稿では,局所的な疎度をサンプル固有のゲーティング機構を用いて学習する,局所スパースニューラルネットワークのトレーニングフレームワークを提案する。
サンプル固有の間隔は、テキスト予測ネットワークで予測され、テキスト予測ネットワークとタンデムでトレーニングされる。
本手法は,1インスタンスあたりの機能が少ないターゲット関数の予測において,最先端のモデルよりも優れていることを示す。
論文 参考訳（メタデータ） (2021-06-11T15:46:50Z) - SignalNet: A Low Resolution Sinusoid Decomposition and Estimation
Network [79.04274563889548]
本稿では,正弦波数を検出するニューラルネットワークアーキテクチャであるSignalNetを提案する。
基礎となるデータ分布と比較して,ネットワークの結果を比較するための最悪の学習しきい値を導入する。
シミュレーションでは、我々のアルゴリズムは常に3ビットデータのしきい値を超えることができるが、しばしば1ビットデータのしきい値を超えることはできない。
論文 参考訳（メタデータ） (2021-06-10T04:21:20Z) - Statistical control for spatio-temporal MEG/EEG source imaging with
desparsified multi-task Lasso [102.84915019938413]
脳磁図(MEG)や脳電図(EEG)のような非侵襲的手法は、非侵襲的手法を約束する。
ソースローカライゼーション(ソースイメージング)の問題は、しかしながら、高次元の統計的推測問題を引き起こす。
この問題に対処するために,分離されたマルチタスクラッソ(ecd-MTLasso)のアンサンブルを提案する。
論文 参考訳（メタデータ） (2020-09-29T21:17:16Z)
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。