論文の概要: HYPERDOA: Robust and Efficient DoA Estimation using Hyperdimensional Computing

• arxiv url: http://arxiv.org/abs/2510.10718v1
• Date: Sun, 12 Oct 2025 17:42:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-14 18:06:30.084096
• Title: HYPERDOA: Robust and Efficient DoA Estimation using Hyperdimensional Computing
• Title（参考訳）: HYPERDOA:超次元計算を用いたロバストかつ効率的なDoA推定
• Authors: Rajat Bhattacharjya, Woohyeok Park, Arnab Sarkar, Hyunwoo Oh, Mohsen Imani, Nikil Dutt,
• Abstract要約: 超次元コンピューティング(HDC)を利用した新しい推定器であるHYPERDOAを紹介する。 低SNR、コヒーレントソースシナリオにおける最先端手法よりも35.39%高い精度を達成する。 また、組み込みNVIDIA Jetson Xavier NXプラットフォーム上の競合する神経ベースラインよりも93%少ないエネルギーを消費する。
• 参考スコア（独自算出の注目度）: 8.27483835715597
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Direction of Arrival (DoA) estimation techniques face a critical trade-off, as classical methods often lack accuracy in challenging, low signal-to-noise ratio (SNR) conditions, while modern deep learning approaches are too energy-intensive and opaque for resource-constrained, safety-critical systems. We introduce HYPERDOA, a novel estimator leveraging Hyperdimensional Computing (HDC). The framework introduces two distinct feature extraction strategies -- Mean Spatial-Lag Autocorrelation and Spatial Smoothing -- for its HDC pipeline, and then reframes DoA estimation as a pattern recognition problem. This approach leverages HDC's inherent robustness to noise and its transparent algebraic operations to bypass the expensive matrix decompositions and ``black-box'' nature of classical and deep learning methods, respectively. Our evaluation demonstrates that HYPERDOA achieves ~35.39% higher accuracy than state-of-the-art methods in low-SNR, coherent-source scenarios. Crucially, it also consumes ~93% less energy than competing neural baselines on an embedded NVIDIA Jetson Xavier NX platform. This dual advantage in accuracy and efficiency establishes HYPERDOA as a robust and viable solution for mission-critical applications on edge devices.
• Abstract（参考訳）: 従来の手法では、困難で低信号-雑音比(SNR)の条件では精度が欠けることが多いが、現代のディープラーニングアプローチはエネルギー集約的であり、資源制約のある安全クリティカルなシステムでは不透明である。 超次元計算(HDC)を利用した新しい推定器であるHYPERDOAを紹介する。 このフレームワークは、HDCパイプラインに対して、平均空間ラグ自動相関と空間平滑化という2つの異なる特徴抽出戦略を導入し、パターン認識問題としてDoA推定を再設定する。 このアプローチは、HDCのノイズに対する固有のロバスト性と、その透過的な代数演算を活用して、それぞれ古典的および深層学習法における'black-box'の性質を、高価な行列分解をバイパスする。 本評価は,HyPERDOAが低SNR,コヒーレントソースシナリオにおける最先端手法よりも約35.39%高い精度を実現していることを示す。 重要な点として、NVIDIA Jetson Xavier NXプラットフォーム上での競合する神経ベースラインよりも、およそ93%少ないエネルギーを消費する。 この精度と効率の二重優位性は、エッジデバイス上のミッションクリティカルなアプリケーションのための堅牢で実行可能なソリューションとしてHYPERDOAを確立する。

関連論文リスト

• Preconditioning Natural and Second Order Gradient Descent in Quantum Optimization: A Performance Benchmark [0.0]
  勾配雑音に対するBFGS更新を安定化するための新しい手法を提案する。 ノイズ感度に対処するため,BFGS更新にアペナル化を取り入れた結果が改善した。
  論文  参考訳（メタデータ） (2025-04-23T08:44:18Z)
• Equation Discovery with Bayesian Spike-and-Slab Priors and Efficient Kernels [57.46832672991433]
  ケルネル学習とBayesian Spike-and-Slab pres (KBASS)に基づく新しい方程式探索法を提案する。 カーネルレグレッションを用いてターゲット関数を推定する。これはフレキシブルで表現力があり、データ空間やノイズに対してより堅牢である。 我々は,効率的な後部推論と関数推定のための予測伝搬予測最大化アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2023-10-09T03:55:09Z)
• Energy-Guided Continuous Entropic Barycenter Estimation for General Costs [95.33926437521046]
  任意のOTコスト関数に対して連続的エントロピーOT(EOT)バリセンタを近似する新しいアルゴリズムを提案する。 本手法は、弱いOTに基づくEOT問題の二重再構成に基づいている。
  論文  参考訳（メタデータ） (2023-10-02T11:24:36Z)
• Small Object Detection via Coarse-to-fine Proposal Generation and Imitation Learning [52.06176253457522]
  本稿では,粗粒度パイプラインと特徴模倣学習に基づく小型物体検出に適した2段階フレームワークを提案する。 CFINetは、大規模な小さなオブジェクト検出ベンチマークであるSODA-DとSODA-Aで最先端の性能を達成する。
  論文  参考訳（メタデータ） (2023-08-18T13:13:09Z)
• A Deep Unrolling Model with Hybrid Optimization Structure for Hyperspectral Image Deconvolution [50.13564338607482]
  本稿では,DeepMixと呼ばれるハイパースペクトルデコンボリューション問題に対する新しい最適化フレームワークを提案する。 これは3つの異なるモジュール、すなわちデータ一貫性モジュール、手作りの正規化器の効果を強制するモジュール、および装飾モジュールで構成されている。 本研究は,他のモジュールの協調作業によって達成される進歩を維持するために設計された,文脈を考慮した認知型モジュールを提案する。
  論文  参考訳（メタデータ） (2023-06-10T08:25:16Z)
• Log Barriers for Safe Black-box Optimization with Application to Safe Reinforcement Learning [72.97229770329214]
  本稿では,学習時の安全性維持が不可欠である高次元非線形最適化問題に対する一般的なアプローチを提案する。 LBSGDと呼ばれるアプローチは、慎重に選択されたステップサイズで対数障壁近似を適用することに基づいている。 安全強化学習における政策課題の違反を最小限に抑えるためのアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2022-07-21T11:14:47Z)
• Safe Screening for Sparse Conditional Random Fields [13.563686294946745]
  そこで本研究では,トレーニングプロセス中に無関係な特徴を識別・除去する安全な動的スクリーニング手法を提案する。 また, 本手法は, スパースCRFや構造予測モデルにおいて, 初めてのスクリーニング手法である。 合成および実世界の両方のデータセットに対する実験結果から,本手法による高速化が重要であることが示された。
  論文  参考訳（メタデータ） (2021-11-27T18:38:57Z)
• Escaping Poor Local Minima in Large Scale Robust Estimation [41.304283715031204]
  ロバストなパラメータ推定のための2つの新しいアプローチを紹介します。 最初のアルゴリズムは、貧弱なミニマから逃れる強力な能力を持つ適応的なカーネルスケーリング戦略を使用します。 第2のアルゴリズムは、一般化メジャー化最小化フレームワークと半二次昇降式を組み合わせて、シンプルで効率的なソルバーを得る。
  論文  参考訳（メタデータ） (2021-02-22T11:58:29Z)
• A Graduated Filter Method for Large Scale Robust Estimation [32.08441889054456]
  そこで我々は,ローカル・ミニマから逃れる強力な能力を有する,ロバストな推定のための新しい解法を提案する。 我々のアルゴリズムは、多くのローカルなミニマが不足している問題を解くために、最先端の手法に基づいて構築されている。
  論文  参考訳（メタデータ） (2020-03-20T02:51:31Z)

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。