論文の概要: Radio Propagation Modelling: To Differentiate or To Deep Learn, That Is The Question

• arxiv url: http://arxiv.org/abs/2509.19337v1
• Date: Mon, 15 Sep 2025 18:03:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-25 20:53:19.488043
• Title: Radio Propagation Modelling: To Differentiate or To Deep Learn, That Is The Question
• Title（参考訳）: 電波伝搬モデリング:差別化か、深層学習か、それが質問だ
• Authors: Stefanos Bakirtzis, Paul Almasan, José Suárez-Varela, Gabriel O. Ferreira, Michail Kalntis, André Felipe Zanella, Ian Wassell, Andra Lutu,
• Abstract要約: 無線伝搬モデリングとデジタルツインニングにおける現状問題に、微分光トレーシングが最近挑戦している。 実運用レベルのネットワークに関する実験的な評価は、その拡張性や実用性についてはまだ検証されていない。 我々は、主要なMNOのネットワークから収集された広範囲な実世界データを用いて、ラジオ放送をエミュレートするために、識別可能なレイトレーシングとDLモデルの両方を用いている。 以上の結果から,光線トレーシングシミュレータは効率・精度ギャップの低減に寄与しているが,実世界のデータから大規模に一般化することは困難であることが示唆された。
• 参考スコア（独自算出の注目度）: 4.758077449916636
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Differentiable ray tracing has recently challenged the status quo in radio propagation modelling and digital twinning. Promising unprecedented speed and the ability to learn from real-world data, it offers a real alternative to conventional deep learning (DL) models. However, no experimental evaluation on production-grade networks has yet validated its assumed scalability or practical benefits. This leaves mobile network operators (MNOs) and the research community without clear guidance on its applicability. In this paper, we fill this gap by employing both differentiable ray tracing and DL models to emulate radio coverage using extensive real-world data collected from the network of a major MNO, covering 13 cities and more than 10,000 antennas. Our results show that, while differentiable ray-tracing simulators have contributed to reducing the efficiency-accuracy gap, they struggle to generalize from real-world data at a large scale, and they remain unsuitable for real-time applications. In contrast, DL models demonstrate higher accuracy and faster adaptation than differentiable ray-tracing simulators across urban, suburban, and rural deployments, achieving accuracy gains of up to 3 dB. Our experimental results aim to provide timely insights into a fundamental open question with direct implications on the wireless ecosystem and future research.
• Abstract（参考訳）: 無線伝搬モデリングとデジタルツインニングにおける現状問題に、微分光トレーシングが最近挑戦している。 前例のないスピードと実世界のデータから学習する能力を示すことで、従来のディープラーニング(DL)モデルの真の代替手段を提供する。 しかし、実運用レベルのネットワークに関する実験的な評価は、その拡張性や実用性についてはまだ検証されていない。 これにより、モバイルネットワークオペレータ(MNO)と研究コミュニティは、その適用性に関する明確なガイダンスを残さずに去ることになる。 本稿では,主要MNOのネットワークから収集した広範囲な実空間データを用いて,識別可能なレイトレーシングモデルとDLモデルの両方を用いてラジオ放送をエミュレートすることにより,このギャップを埋める。 実世界のデータから大規模に一般化することは困難であり, リアルタイムアプリケーションには適さない。 対照的に、DLモデルは、都市、郊外、農村にまたがる異なるレイトレーシングシミュレータよりも高い精度と高速な適応を示し、最大3dBの精度向上を実現している。 実験結果は,ワイヤレスエコシステムと今後の研究に直接的な影響を与えるような,基本的なオープンな質問に対するタイムリーな洞察を提供することを目的としている。

関連論文リスト

• World Model-Based Learning for Long-Term Age of Information Minimization in Vehicular Networks [53.98633183204453]
  本稿では,車載ネットワークにおけるパケット完全性認識情報(CAoI)の年齢を最小化するために,新しい世界モデルに基づく学習フレームワークを提案する。 mmWave V2X環境の動的モデルを共同で学習し、リンクスケジューリングの方法を学ぶための軌跡を想像するために使用する世界モデルフレームワークを提案する。 特に、長期的な政策は環境相互作用の代わりに、異なる想像軌道で学習される。
  論文  参考訳（メタデータ） (2025-05-03T06:23:18Z)
• Resource-Efficient Beam Prediction in mmWave Communications with Multimodal Realistic Simulation Framework [57.994965436344195]
  ビームフォーミングは、方向と強度を最適化して信号伝送を改善するミリ波通信において重要な技術である。 マルチモーダルセンシング支援ビーム予測は,ユーザ位置やネットワーク条件を予測するために,さまざまなセンサデータを使用して注目されている。 その有望な可能性にもかかわらず、マルチモーダルセンシング支援ビーム予測の採用は、高い計算複雑性、高いコスト、限られたデータセットによって妨げられている。
  論文  参考訳（メタデータ） (2025-04-07T15:38:25Z)
• Bridging Simulation and Reality: A 3D Clustering-Based Deep Learning Model for UAV-Based RF Source Localization [0.0]
  無人航空機(UAV)は、地上法よりもRFソースの局所化に大きな利点をもたらす。 近年のディープラーニング(DL)の進歩は,特に屋外シナリオにおいて,局所化の精度をさらに高めた。 本稿では、3Dクラスタリングに基づく特徴抽出をロバストなローカライゼーションに活用するDLベースの3DクラスタベースRealAdaptRNetを提案する。
  論文  参考訳（メタデータ） (2025-02-02T05:48:44Z)
• Radio Map Prediction from Aerial Images and Application to Coverage Optimization [46.870065000932016]
  畳み込みニューラルネットワークを用いた経路損失無線マップの予測に着目する。 既存の無線地図データセットに対して開発された最先端モデルがこの課題に効果的に適応できることを示す。 UNetDCNと呼ばれる新しいモデルを導入し、複雑さを低減した最先端モデルと比較して、同等以上の性能を実現した。
  論文  参考訳（メタデータ） (2024-10-07T09:19:20Z)
• Are NeRFs ready for autonomous driving? Towards closing the real-to-simulation gap [6.393953433174051]
  本稿では,実際のデータギャップに対処するための新しい視点を提案する。 自律運転環境における実シミュレーションデータギャップの大規模調査を初めて実施する。 シミュレーションデータに対するモデルロバスト性は顕著に向上し,実世界の性能も向上した。
  論文  参考訳（メタデータ） (2024-03-24T11:09:41Z)
• Physical-Layer Semantic-Aware Network for Zero-Shot Wireless Sensing [74.12670841657038]
  デバイスレスワイヤレスセンシングは、幅広い没入型人間機械対話型アプリケーションをサポートする可能性から、近年、大きな関心を集めている。 無線信号におけるデータの均一性と分散センシングにおけるデータプライバシ規制は、広域ネットワークシステムにおける無線センシングの広範な適用を妨げる主要な課題であると考えられている。 そこで本研究では,ラベル付きデータを使わずに,一箇所ないし限られた箇所で構築されたモデルを直接他の場所に転送できるゼロショット無線センシングソリューションを提案する。
  論文  参考訳（メタデータ） (2023-12-08T13:50:30Z)
• Inertial Hallucinations -- When Wearable Inertial Devices Start Seeing Things [82.15959827765325]
  環境支援型生活(AAL)のためのマルチモーダルセンサフュージョンの新しいアプローチを提案する。 我々は、標準マルチモーダルアプローチの2つの大きな欠点、限られた範囲のカバレッジ、信頼性の低下に対処する。 我々の新しいフレームワークは、三重項学習によるモダリティ幻覚の概念を融合させ、異なるモダリティを持つモデルを訓練し、推論時に欠落したセンサーに対処する。
  論文  参考訳（メタデータ） (2022-07-14T10:04:18Z)
• 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)

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。