論文の概要: Targeted Fine-Tuning of DNN-Based Receivers via Influence Functions

• arxiv url: http://arxiv.org/abs/2509.15950v1
• Date: Fri, 19 Sep 2025 13:01:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-22 18:18:11.169172
• Title: Targeted Fine-Tuning of DNN-Based Receivers via Influence Functions
• Title（参考訳）: 影響関数を用いたDNN受信機の微調整
• Authors: Marko Tuononen, Heikki Penttinen, Ville Hautamäki,
• Abstract要約: 深層学習型無線受信機におけるインフルエンス関数の初利用について述べる。 その結果,有益なサンプルに対する2次クロスエントロピー損失と1次更新による損失相対的影響は,ジェニーアシスト性能に対するビット誤り率を大幅に向上させることがわかった。
• 参考スコア（独自算出の注目度）: 7.18961038438762
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present the first use of influence functions for deep learning-based wireless receivers. Applied to DeepRx, a fully convolutional receiver, influence analysis reveals which training samples drive bit predictions, enabling targeted fine-tuning of poorly performing cases. We show that loss-relative influence with capacity-like binary cross-entropy loss and first-order updates on beneficial samples most consistently improves bit error rate toward genie-aided performance, outperforming random fine-tuning in single-target scenarios. Multi-target adaptation proved less effective, underscoring open challenges. Beyond experiments, we connect influence to self-influence corrections and propose a second-order, influence-aligned update strategy. Our results establish influence functions as both an interpretability tool and a basis for efficient receiver adaptation.
• Abstract（参考訳）: 深層学習型無線受信機におけるインフルエンス関数の初利用について述べる。 完全な畳み込み受信機であるDeepRxに適用された影響分析は、どのトレーニングサンプルがビット予測を駆動しているかを明らかにし、パフォーマンスの悪いケースをターゲットとした微調整を可能にする。 提案手法では,キャパシティライクなバイナリクロスエントロピー損失による損失相対的影響と,有益なサンプルに対する1次更新が,ジェニーアシスト性能に対するビット誤り率を常に改善し,単一ターゲットシナリオにおけるランダムな微調整よりも優れることを示す。 マルチターゲット適応は効果が低く、オープンな課題を強調した。 実験の他に、インフルエンスを自己影響補正に結び付け、第2次、インフルエンス対応の更新戦略を提案する。 本研究は,効率の良いレシーバ適応の基盤として,インフルエンス関数を解釈可能性ツールとして確立する。

関連論文リスト

• Efficient Test-time Adaptive Object Detection via Sensitivity-Guided Pruning [73.40364018029673]
  連続的なテスト時間適応オブジェクト検出(CTTA-OD)は、源となる事前訓練された検出器を常に変化する環境にオンライン適応させることを目的としている。 私たちのモチベーションは、学習したすべての特徴が有益であるとは限らないという観察に起因しています。 FLOPの計算オーバヘッドを12%削減し,優れた適応性を実現する。
  論文  参考訳（メタデータ） (2025-06-03T05:27:56Z)
• Most Influential Subset Selection: Challenges, Promises, and Beyond [9.479235005673683]
  我々は,最も集団的影響の大きいトレーニングサンプルのサブセットを特定することを目的とした,MISS(Most Influential Subset Selection)問題について検討する。 我々は、MISにおける一般的なアプローチを包括的に分析し、その強みと弱点を解明する。 本稿では,これらを反復的に適用した適応バージョンが,試料間の相互作用を効果的に捕捉できることを実証する。
  論文  参考訳（メタデータ） (2024-09-25T20:00:23Z)
• Exploring Example Influence in Continual Learning [26.85320841575249]
  連続学習(CL)は、より良い安定性(S)と塑性(P)を達成することを目的として、人間のような新しいタスクを順次学習する S と P の影響をトレーニング例で調べるには,SP の改善に向けた学習パターンの改善が期待できる。 本稿では、IFの摂動における2つの重要なステップをシミュレートし、S-およびP-認識の例の影響を得るための、シンプルで効果的なMetaSPアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-09-25T15:17:37Z)
• Cross Pairwise Ranking for Unbiased Item Recommendation [57.71258289870123]
  我々はCPR(Cross Pairwise Ranking)という新しい学習パラダイムを開発する。 CPRは、露出メカニズムを知らずに不偏の推奨を達成する。 理論的には、この方法が学習に対するユーザ/イテムの適合性の影響を相殺することを証明する。
  論文  参考訳（メタデータ） (2022-04-26T09:20:27Z)
• Inf-CP: A Reliable Channel Pruning based on Channel Influence [4.692400531340393]
  チャネルプルーニングの最も効果的な方法の1つは、各ニューロンの重要性に基づいてトリムを行うことである。 従来の研究は、単一層または複数の連続するニューロンの統計を考慮し、トリムすることを提案した。 我々は、アンサンブル学習を用いて、異なるデータバッチのモデルをトレーニングすることを提案する。
  論文  参考訳（メタデータ） (2021-12-05T09:30:43Z)
• FastIF: Scalable Influence Functions for Efficient Model Interpretation and Debugging [112.19994766375231]
  影響関数は、テスト予測のためのトレーニングデータポイントの「影響」を近似する。 fastifは、実行時間を大幅に改善する関数に影響を与えるための、単純な修正セットです。 本実験はモデル解釈とモデル誤差の修正における影響関数の可能性を示す。
  論文  参考訳（メタデータ） (2020-12-31T18:02:34Z)
• Efficient Estimation of Influence of a Training Instance [56.29080605123304]
  本稿では,ニューラルネットワークモデルに対するトレーニングインスタンスの影響を効率的に推定する手法を提案する。 このメソッドは、サブネットワークをゼロマスクし、サブネットワークが各トレーニングインスタンスを学習するのを防ぎます。 提案手法は, 学習の影響を捉え, 誤り予測の解釈性を高め, 一般化改善のための訓練データセットをクリーン化できることを実証する。
  論文  参考訳（メタデータ） (2020-12-08T04:31:38Z)
• Multi-Stage Influence Function [97.19210942277354]
  我々は、事前学習データまで遡って、微調整されたモデルから予測を追跡するための多段階影響関数スコアを開発する。 本研究は,2つのシナリオについて検討し,事前訓練した埋め込みを微調整タスクで固定または更新する。
  論文  参考訳（メタデータ） (2020-07-17T16:03:11Z)
• Influence Functions in Deep Learning Are Fragile [52.31375893260445]
  影響関数は、テスト時間予測におけるサンプルの効果を近似する。 影響評価は浅いネットワークでは かなり正確です ヘッセン正則化は、高品質な影響推定を得るために重要である。
  論文  参考訳（メタデータ） (2020-06-25T18:25:59Z)

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。