論文の概要: Accurate and Efficient Prediction of Wi-Fi Link Quality Based on Machine Learning

• arxiv url: http://arxiv.org/abs/2509.18933v1
• Date: Tue, 23 Sep 2025 12:52:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-24 20:41:27.83867
• Title: Accurate and Efficient Prediction of Wi-Fi Link Quality Based on Machine Learning
• Title（参考訳）: 機械学習に基づくWi-Fiリンク品質の高精度かつ効率的な予測
• Authors: Gabriele Formis, Gianluca Cena, Lukasz Wisniewski, Stefano Scanzio,
• Abstract要約: 本稿では指数移動平均の線形結合に基づくデータ駆動モデルの性能評価を行う。 機器メーカーによる一般的な訓練を可能にするチャンネルに依存しないモデルは、競争力のある性能を示した。 本研究は,産業環境におけるWi-Fiの信頼性向上のための機械学習に基づく予測モデルの実践的展開に関する知見を提供する。
• 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: Wireless communications are characterized by their unpredictability, posing challenges for maintaining consistent communication quality. This paper presents a comprehensive analysis of various prediction models, with a focus on achieving accurate and efficient Wi-Fi link quality forecasts using machine learning techniques. Specifically, the paper evaluates the performance of data-driven models based on the linear combination of exponential moving averages, which are designed for low-complexity implementations and are then suitable for hardware platforms with limited processing resources. Accuracy of the proposed approaches was assessed using experimental data from a real-world Wi-Fi testbed, considering both channel-dependent and channel-independent training data. Remarkably, channel-independent models, which allow for generalized training by equipment manufacturers, demonstrated competitive performance. Overall, this study provides insights into the practical deployment of machine learning-based prediction models for enhancing Wi-Fi dependability in industrial environments.
• Abstract（参考訳）: 無線通信は、その予測不可能さを特徴とし、一貫した通信品質を維持する上での課題を提起する。 本稿では、機械学習技術を用いて、高精度かつ効率的なWi-Fiリンク品質予測を実現することに焦点を当て、様々な予測モデルの包括的分析を行う。 具体的には,低複雑さの実装のために設計され,限られた処理資源を持つハードウェアプラットフォームに適した指数移動平均の線形結合に基づいて,データ駆動モデルの性能を評価する。 提案手法の精度を実世界のWi-Fiテストベッドの実験データを用いて評価し,チャネルに依存しないトレーニングデータとチャネルに依存しないトレーニングデータの両方を考慮した。 注目すべきは、機器メーカーによる一般的なトレーニングを可能にするチャネルに依存しないモデルが、競争性能を実証したことである。 本研究は,産業環境におけるWi-Fiの信頼性向上のための機械学習に基づく予測モデルの実践的展開に関する知見を提供する。

関連論文リスト

• Environmental Feature Engineering and Statistical Validation for ML-Based Path Loss Prediction [0.0]
  無線通信は経路損失モデリングに依存しており、伝搬環境の物理的詳細を含む場合に最も効果的である。 このような詳細へのアクセスにより、伝搬モデルはより正確にカバレッジを予測し、無線デプロイメントにおける干渉を説明できる。 本稿では,厳密な統計的評価とテストセットのホールドアウトによるモデル一般化の証明をしながら,予測精度を向上させる機能拡張を導入する。
  論文  参考訳（メタデータ） (2025-01-14T18:44:35Z)
• Tackling Data Heterogeneity in Federated Time Series Forecasting [61.021413959988216]
  時系列予測は、エネルギー消費予測、病気の伝染モニタリング、天気予報など、様々な実世界の応用において重要な役割を果たす。 既存のほとんどのメソッドは、分散デバイスから中央クラウドサーバに大量のデータを収集する、集中的なトレーニングパラダイムに依存しています。 本稿では,情報合成データを補助的知識キャリアとして生成することにより,データの均一性に対処する新しいフレームワークであるFed-TRENDを提案する。
  論文  参考訳（メタデータ） (2024-11-24T04:56:45Z)
• On the Accuracy and Precision of Moving Averages to Estimate Wi-Fi Link Quality [0.8999666725996974]
  移動平均に基づいて無線リンク品質を推定する手法を解析した。 結果は、無線ネットワークの予測不能を緩和するために人工知能をどのように使用できるかを研究する際に、ベースラインとして使用できる。
  論文  参考訳（メタデータ） (2024-11-19T06:28:58Z)
• Diffusion-Based Neural Network Weights Generation [80.89706112736353]
  D2NWGは拡散に基づくニューラルネットワーク重み生成技術であり、転送学習のために高性能な重みを効率よく生成する。 本稿では,ニューラルネットワーク重み生成のための遅延拡散パラダイムを再放送するために,生成的ハイパー表現学習を拡張した。 我々のアプローチは大規模言語モデル(LLM)のような大規模アーキテクチャにスケーラブルであり、現在のパラメータ生成技術の限界を克服しています。
  論文  参考訳（メタデータ） (2024-02-28T08:34:23Z)
• Federated Learning with Projected Trajectory Regularization [65.6266768678291]
  フェデレーション学習は、ローカルデータを共有せずに、分散クライアントから機械学習モデルの共同トレーニングを可能にする。 連合学習における重要な課題の1つは、クライアントにまたがる識別できない分散データを扱うことである。 本稿では,データ問題に対処するための予測軌道正則化(FedPTR)を備えた新しいフェデレーション学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-12-22T02:12:08Z)
• Adaptive Model Pruning and Personalization for Federated Learning over Wireless Networks [72.59891661768177]
  フェデレーション学習(FL)は、データプライバシを保護しながら、エッジデバイス間での分散学習を可能にする。 これらの課題を克服するために、部分的なモデルプルーニングとパーソナライズを備えたFLフレームワークを検討する。 このフレームワークは、学習モデルを、データ表現を学ぶためにすべてのデバイスと共有されるモデルプルーニングと、特定のデバイスのために微調整されるパーソナライズされた部分とで、グローバルな部分に分割する。
  論文  参考訳（メタデータ） (2023-09-04T21:10:45Z)
• Personalizing Federated Learning with Over-the-Air Computations [84.8089761800994]
  フェデレートされたエッジ学習は、プライバシー保護の方法で無線ネットワークのエッジにインテリジェンスをデプロイする、有望な技術である。 このような設定の下で、複数のクライアントは、エッジサーバの調整の下でグローバルジェネリックモデルを協調的にトレーニングする。 本稿では,アナログオーバー・ザ・エア計算を用いて通信ボトルネックに対処する分散トレーニングパラダイムを提案する。
  論文  参考訳（メタデータ） (2023-02-24T08:41:19Z)
• Interpretable AI-based Large-scale 3D Pathloss Prediction Model for enabling Emerging Self-Driving Networks [3.710841042000923]
  本稿では,新しい鍵予測器を応用した機械学習モデルを提案する。 予測,一般化,計算性能の観点から各種MLアルゴリズムの性能を定量的に評価することにより,光グラディエントブースティングマシン(LightGBM)アルゴリズムが全体として他のアルゴリズムより優れていることを示す。
  論文  参考訳（メタデータ） (2022-01-30T19:50:16Z)
• Fast-Convergent Federated Learning [82.32029953209542]
  フェデレーション学習は、モバイルデバイスの現代的なネットワークを介して機械学習タスクを分散するための、有望なソリューションである。 本稿では,FOLBと呼ばれる高速収束型フェデレーション学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-07-26T14:37:51Z)

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。