論文の概要: SABER: Symbolic Regression-based Angle of Arrival and Beam Pattern Estimator
- arxiv url: http://arxiv.org/abs/2510.26340v1
- Date: Thu, 30 Oct 2025 10:48:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-31 16:05:09.762238
- Title: SABER: Symbolic Regression-based Angle of Arrival and Beam Pattern Estimator
- Title（参考訳）: SABER:シンボリック回帰に基づくアリーバルとビームパターン推定器
- Authors: Shih-Kai Chou, Mengran Zhao, Cheng-Nan Hu, Kuang-Chung Chou, Carolina Fortuna, Jernej Hribar,
- Abstract要約: アングル・オブ・アリーバル(AoA)推定は、信頼性の高いビームフォーミング、高精度なローカライゼーション、統合センシングを可能にする次世代無線通信システムにとって不可欠である。
本稿では,解釈可能性のある経路損失測定から,閉形ビームパターンとAoAモデルを自動的に検出する制約付きシンボリック再構成可能なフレームワークを提案する。
以上の結果から,SABERはAoA推定のための最先端およびブラックボックスML方式の解釈可能かつ正確な代替手段であることが示された。
- 参考スコア（独自算出の注目度）: 4.072082505315612
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate Angle-of-arrival (AoA) estimation is essential for next-generation wireless communication systems to enable reliable beamforming, high-precision localization, and integrated sensing. Unfortunately, classical high-resolution techniques require multi-element arrays and extensive snapshot collection, while generic Machine Learning (ML) approaches often yield black-box models that lack physical interpretability. To address these limitations, we propose a Symbolic Regression (SR)-based ML framework. Namely, Symbolic Regression-based Angle of Arrival and Beam Pattern Estimator (SABER), a constrained symbolic-regression framework that automatically discovers closed-form beam pattern and AoA models from path loss measurements with interpretability. SABER achieves high accuracy while bridging the gap between opaque ML methods and interpretable physics-driven estimators. First, we validate our approach in a controlled free-space anechoic chamber, showing that both direct inversion of the known $\cos^n$ beam and a low-order polynomial surrogate achieve sub-0.5 degree Mean Absolute Error (MAE). A purely unconstrained SR method can further reduce the error of the predicted angles, but produces complex formulas that lack physical insight. Then, we implement the same SR-learned inversions in a real-world, Reconfigurable Intelligent Surface (RIS)-aided indoor testbed. SABER and unconstrained SR models accurately recover the true AoA with near-zero error. Finally, we benchmark SABER against the Cram\'er-Rao Lower Bounds (CRLBs). Our results demonstrate that SABER is an interpretable and accurate alternative to state-of-the-art and black-box ML-based methods for AoA estimation.
- Abstract（参考訳）: 高精度アングル・オブ・アーバル(AoA)推定は、信頼性の高いビームフォーミング、高精度なローカライゼーション、統合センシングを可能にする次世代無線通信システムにとって不可欠である。
残念なことに、古典的な高解像度技術は多要素配列と広範なスナップショット収集を必要とするが、汎用機械学習(ML)アプローチは物理的解釈性に欠けるブラックボックスモデルを生成することが多い。
これらの制約に対処するため,Symbolic Regression (SR) ベースのMLフレームワークを提案する。
すなわち、SABER(Symbolic Regression-based Angle of Arrival and Beam Pattern Estimator)は、閉鎖形ビームパターンとAoAモデルを自動的に検出する制約付きシンボリック・レグレッション・フレームワークである。
SABERは不透明なML法と解釈可能な物理駆動推定器のギャップを埋めながら高い精度を達成する。
まず,既知の$\cos^n$ビームの直接反転と低次多項式サロゲートの両方が,平均絶対誤差(MAE)を0.5以下に抑えることを示す。
純粋に制約のないSR法は、予測される角度の誤差をさらに減らすことができるが、物理的な洞察に欠ける複雑な公式を生成する。
次に,SR学習型インバージョンを実世界のRIS支援屋内テストベッドに実装する。
SABERおよび非拘束SRモデルは、ほぼゼロ誤差で真のAoAを正確に回復する。
最後に、 SABER を Cram\'er-Rao lower bounds (CRLBs) と比較する。
以上の結果から,SABERはAoA推定のための最先端およびブラックボックスML方式の解釈可能かつ正確な代替手段であることが示された。
関連論文リスト
- Unsupervised Conformal Inference: Bootstrapping and Alignment to Control LLM Uncertainty [49.19257648205146]
生成のための教師なし共形推論フレームワークを提案する。
我々のゲートは、分断されたUPPよりも厳密で安定した閾値を提供する。
その結果は、ラベルのない、API互換の、テスト時間フィルタリングのゲートになる。
論文 参考訳（メタデータ） (2025-09-26T23:40:47Z) - Taming Polysemanticity in LLMs: Provable Feature Recovery via Sparse Autoencoders [50.52694757593443]
既存のSAEトレーニングアルゴリズムは厳密な数学的保証を欠いていることが多く、実用的な制限に悩まされている。
まず,特徴の特定可能性という新たな概念を含む特徴回復問題の統計的枠組みを提案する。
本稿では、ニューラルネットワークのバイアスパラメータを適応的に調整し、適切なアクティベーション間隔を確保する手法である「バイアス適応」に基づく新たなSAEトレーニングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2025-06-16T20:58:05Z) - Beyond Linearity: Squeeze-and-Recalibrate Blocks for Few-Shot Whole Slide Image Classification [35.6247241174615]
Squeeze-and-Recalibrate (SR) ブロックを提案する。
SRブロックが任意の精度で任意の線形写像を近似できることを理論的に保証する。
我々のSR-MILモデルは、パラメータが大幅に少なく、アーキテクチャ上の変更も不要ながら、先行メソッドよりも一貫して優れています。
論文 参考訳（メタデータ） (2025-05-21T13:24:47Z) - An Empirical Risk Minimization Approach for Offline Inverse RL and Dynamic Discrete Choice Model [8.95720650633184]
機械学習において、動的選択(DDC)モデル(オフライン最大エントロピー正規化逆強化学習(オフラインMaxEnt-IRL))を推定する問題について検討する。
目的は、オフラインの振舞いデータからエージェントの振舞いを管理する$Q*$関数をリカバリすることである。
線形パラメータ化報酬の制限的仮定を使わずにこれらの問題を解くための大域収束勾配法を提案する。
論文 参考訳（メタデータ） (2025-02-19T22:22:20Z) - RSAR: Restricted State Angle Resolver and Rotated SAR Benchmark [61.987291551925516]
単位円制限損失を組み込んで角度予測精度を向上させるユニットサイクルリゾルバを導入する。
提案手法は,既存の最先端教師あり手法の性能を効果的に向上させることができる。
UCRの助けを借りて、これまでで最大の多クラス回転SARオブジェクト検出データセットであるRSARをさらに注釈し、導入する。
論文 参考訳（メタデータ） (2025-01-08T11:41:47Z) - Inverting brain grey matter models with likelihood-free inference: a
tool for trustable cytoarchitecture measurements [62.997667081978825]
脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。
我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。
次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
論文 参考訳（メタデータ） (2021-11-15T09:08:27Z) - Robust lEarned Shrinkage-Thresholding (REST): Robust unrolling for
sparse recover [87.28082715343896]
我々は、モデルミス特定を前進させるのに堅牢な逆問題を解決するためのディープニューラルネットワークについて検討する。
我々は,アルゴリズムの展開手法を根底にある回復問題のロバストバージョンに適用することにより,新しい堅牢なディープニューラルネットワークアーキテクチャを設計する。
提案したRESTネットワークは,圧縮センシングとレーダイメージングの両問題において,最先端のモデルベースおよびデータ駆動アルゴリズムを上回る性能を示す。
論文 参考訳（メタデータ） (2021-10-20T06:15:45Z) - Smooth Bilevel Programming for Sparse Regularization [5.177947445379688]
反復再重み付き最小二乗法(IRLS)は、機械学習における空間的回帰問題を解くための一般的な手法である。
両レベルスキームが組み合わさって、IRLSの驚くほど再パラメータ化が、いかにスパーシティの上位化を実現するかを示す。
論文 参考訳（メタデータ） (2021-06-02T19:18:22Z) - Random Matrix Based Extended Target Tracking with Orientation: A New
Model and Inference [0.0]
本稿では,動的物体の範囲を時間方向の楕円体として表現できる新しい対象追跡アルゴリズムを提案する。
対角正半定行列は、ランダム行列フレームワーク内のオブジェクトの範囲をモデル化するために定義される。
共役性がないため、真の後部の閉形式解析式を見つけることは不可能である。
論文 参考訳（メタデータ） (2020-10-17T16:33:06Z) - On the Arbitrary-Oriented Object Detection: Classification based
Approaches Revisited [94.5455251250471]
まず,既存の回帰型回転検出器が抱える境界問題は,角周期性や角秩序によって引き起こされることを示した。
我々は、角予測タスクを回帰問題から分類問題に変換する。
得られた円形分布角分類問題に対して、まず、角度の周期性に対処し、隣り合う角度に対する誤差耐性を高めるために、円スムースラベル法を考案する。
論文 参考訳（メタデータ） (2020-03-12T03:23:54Z)
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。