論文の概要: ATLAS: AI-Native Receiver Test-and-Measurement by Leveraging AI-Guided Search

• arxiv url: http://arxiv.org/abs/2508.12204v1
• Date: Sun, 17 Aug 2025 02:12:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-19 14:49:10.613127
• Title: ATLAS: AI-Native Receiver Test-and-Measurement by Leveraging AI-Guided Search
• Title（参考訳）: ATLAS:AI-Guided Searchを活用するAI-Native Receiver Test-and-Measurement
• Authors: Mauro Belgiovine, Suyash Pradhan, Johannes Lange, Michael Löhning, Kaushik Chowdhury,
• Abstract要約: ATLASはAI誘導型アプローチで、トレーニング済みのAIネイティブレシーバモデルのテストバッテリを生成し、古典的なレシーバアーキテクチャのパフォーマンスをベンチマークする。 我々は、NVIDIAのSionna環境における微分可能なテンソルを用いた古典的受信機と同様に、よく知られたDeepRx AIネイティブ受信モデルを採用することで、我々のアプローチを実装し、検証する。
• 参考スコア（独自算出の注目度）: 0.1631115063641726
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Industry adoption of Artificial Intelligence (AI)-native wireless receivers, or even modular, Machine Learning (ML)-aided wireless signal processing blocks, has been slow. The main concern is the lack of explainability of these trained ML models and the significant risks posed to network functionalities in case of failures, especially since (i) testing on every exhaustive case is infeasible and (ii) the data used for model training may not be available. This paper proposes ATLAS, an AI-guided approach that generates a battery of tests for pre-trained AI-native receiver models and benchmarks the performance against a classical receiver architecture. Using gradient-based optimization, it avoids spanning the exhaustive set of all environment and channel conditions; instead, it generates the next test in an online manner to further probe specific configurations that offer the highest risk of failure. We implement and validate our approach by adopting the well-known DeepRx AI-native receiver model as well as a classical receiver using differentiable tensors in NVIDIA's Sionna environment. ATLAS uncovers specific combinations of mobility, channel delay spread, and noise, where fully and partially trained variants of AI-native DeepRx perform suboptimally compared to the classical receivers. Our proposed method reduces the number of tests required per failure found by 19% compared to grid search for a 3-parameters input optimization problem, demonstrating greater efficiency. In contrast, the computational cost of the grid-based approach scales exponentially with the number of variables, making it increasingly impractical for high-dimensional problems.
• Abstract（参考訳）: 人工知能(AI)ネイティブ無線受信機、あるいはモジュール化された機械学習(ML)支援無線信号処理ブロックの産業採用は遅れている。 主な関心事は、これらの訓練されたMLモデルの説明可能性の欠如と、特に障害発生時においてネットワーク機能に影響を及ぼす重大なリスクである。 一 徹底した場合の試験が不可能であつて行うこと (ii)モデルトレーニングに使用するデータは利用できない場合がある。 本稿では、AI誘導型アプローチであるATLASを提案し、事前訓練されたAIネイティブレシーバモデルに対するテストのバッテリを生成し、古典的なレシーバアーキテクチャに対して性能をベンチマークする。 勾配ベースの最適化を使用することで、すべての環境とチャネル条件の網羅的なセットにまたがることを避け、代わりに、障害のリスクが最も高い特定の構成を調査するために、オンラインで次のテストを生成する。 我々は、NVIDIAのSionna環境における微分可能なテンソルを用いた古典的受信機と同様に、よく知られたDeepRx AIネイティブ受信モデルを採用することで、我々のアプローチを実装し、検証する。 ATLASは、移動性、チャネル遅延拡散、ノイズの特定の組み合わせを明らかにし、古典的な受信機と比較して、AIネイティブのDeepRxの完全かつ部分的に訓練された変種が準最適に実行する。 提案手法は,3パラメータの入力最適化問題に対するグリッド探索と比較して,19%の故障時間で必要となるテスト数を削減し,効率を向上する。 対照的に、グリッドベースのアプローチの計算コストは変数の数と指数関数的にスケールするので、高次元問題に対してますます非現実的になる。

関連論文リスト

• Evaluating Single Event Upsets in Deep Neural Networks for Semantic Segmentation: an embedded system perspective [1.474723404975345]
  本稿では,組み込みディープニューラルネットワーク(DNN)のロバスト性評価について述べる。 本研究は,様々なエンコーダデコーダモデルの層間およびビット間感度をソフトエラーに精査することにより,セグメント化DNNのSEUに対する脆弱性を徹底的に調査する。 本稿では,資源制約によるデプロイメントに適したメモリや計算コストを伴わない,実用的な軽量なエラー軽減手法を提案する。
  論文  参考訳（メタデータ） (2024-12-04T18:28:38Z)
• Accelerated zero-order SGD under high-order smoothness and overparameterized regime [79.85163929026146]
  凸最適化問題を解くための新しい勾配のないアルゴリズムを提案する。 このような問題は医学、物理学、機械学習で発生する。 両種類の雑音下で提案アルゴリズムの収束保証を行う。
  論文  参考訳（メタデータ） (2024-11-21T10:26:17Z)
• Enhancing GANs with Contrastive Learning-Based Multistage Progressive Finetuning SNN and RL-Based External Optimization [0.0]
  Gene Adversarial Networks (GAN) は画像合成の最前線にあり、特に病理学のような医学分野において、データの不足、患者のプライバシー、クラス不均衡といった課題に対処している。 GANでは、トレーニングの不安定性、モード崩壊、バイナリ分類からのフィードバック不足がパフォーマンスを損なう可能性がある。 これらの課題は、複雑な特徴表現と空間的詳細のため、特に高解像度の病理像で顕著である。
  論文  参考訳（メタデータ） (2024-09-30T14:39:56Z)
• Explicit Foundation Model Optimization with Self-Attentive Feed-Forward Neural Units [4.807347156077897]
  バックプロパゲーションを用いた反復近似法はニューラルネットワークの最適化を可能にするが、大規模に使用すると計算コストがかかる。 本稿では、ニューラルネットワークのスケーリングコストを削減し、低リソースアプリケーションに高効率な最適化を提供する、ニューラルネットワークの最適化のための効率的な代替手段を提案する。
  論文  参考訳（メタデータ） (2023-11-13T17:55:07Z)
• Model-based Deep Learning Receiver Design for Rate-Splitting Multiple Access [65.21117658030235]
  本研究では,モデルベース深層学習(MBDL)に基づく実用的なRSMA受信機の設計を提案する。 MBDL受信機は、符号なしシンボル誤り率(SER)、リンクレベルシミュレーション(LLS)によるスループット性能、平均トレーニングオーバーヘッドの観点から評価される。 その結果,MBDLはCSIRが不完全なSIC受信機よりも優れていた。
  論文  参考訳（メタデータ） (2022-05-02T12:23:55Z)
• 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)
• Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge Computing: A Contextual-Bandit Approach [81.5261621619557]
  階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。 まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。 そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
  論文  参考訳（メタデータ） (2021-08-09T08:45:47Z)
• Gone Fishing: Neural Active Learning with Fisher Embeddings [55.08537975896764]
  ディープニューラルネットワークと互換性のあるアクティブな学習アルゴリズムの必要性が高まっている。 本稿では,ニューラルネットワークのための抽出可能かつ高性能な能動学習アルゴリズムBAITを紹介する。
  論文  参考訳（メタデータ） (2021-06-17T17:26:31Z)
• Attribute-Guided Adversarial Training for Robustness to Natural Perturbations [64.35805267250682]
  本稿では,属性空間への分類器の露出を最大化するために,新しいサンプルを生成することを学習する逆学習手法を提案する。 我々のアプローチは、ディープニューラルネットワークが自然に発生する摂動に対して堅牢であることを可能にする。
  論文  参考訳（メタデータ） (2020-12-03T10:17:30Z)

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。