論文の概要: RadarPLM: Adapting Pretrained Language Models for Marine Radar Target Detection with Preference-aware Loss

• arxiv url: http://arxiv.org/abs/2509.12089v3
• Date: Mon, 03 Nov 2025 12:07:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-04 16:14:22.233999
• Title: RadarPLM: Adapting Pretrained Language Models for Marine Radar Target Detection with Preference-aware Loss
• Title（参考訳）: RadarPLM: 優先認識損失による海面レーダ目標検出のための事前学習言語モデルの適用
• Authors: Qiying Hu,
• Abstract要約: PLMに基づく海洋レーダターゲット検出のための新しい微調整フレームワークを提案する。 まず、パラメータ効率の良い微調整を可能にする軽量適応モジュールを設計する。 第二に、異なる特徴パッチを選択的に最適化するために、新しい優先認識損失が開発された。 実世界の海洋レーダーデータセットの実験は、提案された微調整フレームワークが平均9.9%の性能向上を達成することを示した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advances in pre-trained language models (PLMs) have demonstrated their capabilities in capturing universal knowledge, making them promising applications for radar signal processing. Nevertheless, directly fine-tuning PLMs on radar signals is both computationally expensive and prone to overfitting, particularly in low signal-to-clutter ratio (SCR) environments. In this paper, we propose a novel fine-tuning framework for PLM-based marine radar target detection. First, we design a lightweight adaptation module, enabling parameter-efficient fine-tuning while preserving the pretrained model's general knowledge. Second, a novel preference-aware loss is developed to selectively optimize different feature patches based on their online evaluated learning values, guiding the model to concentrate on the most generalizable feature patterns during optimization. Extensive experiments on real-world marine radar datasets demonstrate that the proposed finetuning framework achieves an average performance improvement of 9.9% over the standard approach under low SCR conditions. Furthermore, the fine-tuned model, RadarPLM, consistently outperforms state-of-the-art detectors, particularly when training data are limited.
• Abstract（参考訳）: プレトレーニング言語モデル(PLM)の最近の進歩は、普遍的な知識を捉える能力を示し、レーダ信号処理に有望な応用をもたらす。 しかしながら、レーダー信号を直接微調整するPLMは計算コストが高く、特にSCR(低信号・クラッタ比)環境では過度に適合する傾向にある。 本稿では,PLMに基づく海洋レーダターゲット検出のための新しい微調整フレームワークを提案する。 まず、トレーニング済みモデルの一般的な知識を保ちながらパラメータ効率の良い微調整を可能にする軽量適応モジュールを設計する。 第二に、オンラインで評価された学習値に基づいて異なる特徴パッチを選択的に最適化し、最適化中に最も一般化可能な特徴パターンに集中するようモデルに誘導する。 実世界の海洋レーダーデータセットに関する大規模な実験は、提案された微調整フレームワークが、SCRの低い条件下での標準アプローチよりも平均9.9%の性能向上を達成することを示した。 さらに、微調整されたRadarPLMは、特にトレーニングデータに制限がある場合、常に最先端の検出器よりも優れています。

関連論文リスト

• When marine radar target detection meets pretrained large language models [19.91452033424555]
  機能前処理を大規模言語モデル(LLM)と統合するフレームワークを提案する。 我々の前処理モジュールは、レーダシーケンスの特徴をトークン化し、不定形セグメントをフィルタリングするためにパッチ選択アルゴリズムを適用し、選択したパッチを事前訓練されたLLMの特徴空間と互換性のある埋め込みに投影する。 実験により,提案手法は教師あり学習試験における最先端のベースラインを著しく上回ることを示した。
  論文  参考訳（メタデータ） (2025-09-15T16:38:13Z)
• Enhancing Training Data Attribution with Representational Optimization [57.61977909113113]
  トレーニングデータ属性法は、トレーニングデータがモデルの予測にどのように影響するかを測定することを目的としている。 本稿では,タスク固有表現とモデル整合表現をTDAで明示的に学習することで,このギャップを埋める表現ベースアプローチであるAirRepを提案する。 AirRepは、属性品質に合わせて調整されたトレーニング可能なエンコーダと、グループワイドの影響を正確に見積もるアテンションベースのプール機構の2つの重要なイノベーションを紹介している。
  論文  参考訳（メタデータ） (2025-05-24T05:17:53Z)
• What Do Learning Dynamics Reveal About Generalization in LLM Reasoning? [83.83230167222852]
  モデルの一般化動作は,事前記憶列車の精度と呼ばれるトレーニング指標によって効果的に特徴づけられることがわかった。 モデルの学習行動と一般化を結びつけることで、トレーニング戦略に目標とする改善を導くことができる。
  論文  参考訳（メタデータ） (2024-11-12T09:52:40Z)
• Efficient Meta-Learning Enabled Lightweight Multiscale Few-Shot Object Detection in Remote Sensing Images [15.12889076965307]
  YOLOv7ワンステージ検出器は、新しいメタラーニングトレーニングフレームワークが組み込まれている。 この変換により、検出器はFSODのタスクに十分対応できると同時に、その固有の軽量化の利点を活かすことができる。 提案検出器の有効性を検証するため, 現状の検出器と性能比較を行った。
  論文  参考訳（メタデータ） (2024-04-29T04:56:52Z)
• Take the Bull by the Horns: Hard Sample-Reweighted Continual Training Improves LLM Generalization [165.98557106089777]
  大きな言語モデル(LLM)の能力を高めることが大きな課題だ。 本研究は,従来の事前学習データセットを用いたLCMの光連続訓練に関する実証的戦略から始まった。 次に、この戦略をインスタンス重み付け分散ロバスト最適化の原則化されたフレームワークに定式化します。
  論文  参考訳（メタデータ） (2024-02-22T04:10:57Z)
• Unsupervised Domain Adaptation for Self-Driving from Past Traversal Features [69.47588461101925]
  本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。 提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。 実世界のデータセットの実験では、大幅な改善が示されている。
  論文  参考訳（メタデータ） (2023-09-21T15:00:31Z)
• Towards Accurate Knowledge Transfer via Target-awareness Representation Disentanglement [56.40587594647692]
  本稿では,TRED(Target-Awareness Representation Disentanglement)の概念を取り入れた新しいトランスファー学習アルゴリズムを提案する。 TREDは、対象のタスクに関する関連する知識を元のソースモデルから切り離し、ターゲットモデルを微調整する際、レギュレータとして使用する。 各種実世界のデータセットを用いた実験により,本手法は標準微調整を平均2%以上安定的に改善することが示された。
  論文  参考訳（メタデータ） (2020-10-16T17:45:08Z)
• A Reinforcement Learning based approach for Multi-target Detection in Massive MIMO radar [12.982044791524494]
  本稿では,MMIMO(Multiple input Multiple output)認知レーダ(CR)におけるマルチターゲット検出の問題点について考察する。 本稿では,未知の外乱統計の存在下での認知的マルチターゲット検出のための強化学習(RL)に基づくアルゴリズムを提案する。 定常環境と動的環境の両方において提案したRLアルゴリズムの性能を評価するため, 数値シミュレーションを行った。
  論文  参考訳（メタデータ） (2020-05-10T16:29:06Z)

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。