論文の概要: Efficient RF Passive Components Modeling with Bayesian Online Learning and Uncertainty Aware Sampling

• arxiv url: http://arxiv.org/abs/2511.15125v1
• Date: Wed, 19 Nov 2025 05:04:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-20 15:51:28.640881
• Title: Efficient RF Passive Components Modeling with Bayesian Online Learning and Uncertainty Aware Sampling
• Title（参考訳）: ベイジアンオンライン学習と不確かさ認識による効率的なRF受動成分モデリング
• Authors: Huifan Zhang, Pingqiang Zhou,
• Abstract要約: 本稿では,RF受動成分のパラメトリックモデリングを効率的に行うための不確実性を考慮したオンライン学習フレームワークを提案する。 このフレームワークは、従来のMLベースのフローと比較して2.86%のEMシミュレーション時間しか使用せず、正確なモデリングを実現し、35倍のスピードアップを実現している。
• 参考スコア（独自算出の注目度）: 0.7550566004119158
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Conventional radio frequency (RF) passive components modeling based on machine learning requires extensive electromagnetic (EM) simulations to cover geometric and frequency design spaces, creating computational bottlenecks. In this paper, we introduce an uncertainty-aware Bayesian online learning framework for efficient parametric modeling of RF passive components, which includes: 1) a Bayesian neural network with reconfigurable heads for joint geometric-frequency domain modeling while quantifying uncertainty; 2) an adaptive sampling strategy that simultaneously optimizes training data sampling across geometric parameters and frequency domain using uncertainty guidance. Validated on three RF passive components, the framework achieves accurate modeling while using only 2.86% EM simulation time compared to traditional ML-based flow, achieving a 35 times speedup.
• Abstract（参考訳）: 従来の無線周波数(RF)受動的コンポーネントモデリングは、幾何学的および周波数設計空間をカバーするため、広範囲な電磁(EM)シミュレーションを必要とし、計算ボトルネックを発生させる。 本稿では,RF受動成分の効率的なパラメトリックモデリングのための不確実性を考慮したオンライン学習フレームワークを提案する。 1) 不確実性を定量化しつつ、結合幾何周波数領域モデリングのための再構成可能な頭部を有するベイズニューラルネットワーク 2)不確実性ガイダンスを用いた幾何パラメータと周波数領域のトレーニングデータサンプリングを同時に最適化する適応型サンプリング戦略。 3つのRF受動的コンポーネントで検証されたこのフレームワークは、従来のMLベースのフローと比較して2.86%のEMシミュレーション時間しか使用せず、正確なモデリングを実現し、35倍のスピードアップを実現している。

関連論文リスト

• RF-LSCM: Pushing Radiance Fields to Multi-Domain Localized Statistical Channel Modeling for Cellular Network Optimization [26.457933013666253]
  本稿では,RF-LSCMを提案する。RF-LSCMは,大規模信号減衰とマルチパス成分を放射場内に共同で表現することで,チャネルAPSをモデル化する新しいフレームワークである。 RF-LSCMは, 平均絶対誤差(MAE)を最大30%低減し, 多周波データを効果的に融合させることにより, 22%のMAE改善を実現した。
  論文  参考訳（メタデータ） (2025-09-17T04:31:18Z)
• Fast and Accurate RFIC Performance Prediction via Pin Level Graph Neural Networks and Probabilistic Flow [0.5599792629509228]
  本研究は,アクティブRF回路の重要な性能指標を予測するために,軽量かつデータ効率,トポロジ対応グラフニューラルネットワーク(GNN)モデルを提案する。 回路はデバイス-端末レベルでモデル化され、データ要求を減らしながらスケーラブルなメッセージパッシングを可能にする。 データセットの実験では、対称平均絶対パーセンテージ誤差(sMAPE)と平均相対誤差(MRE)はそれぞれ平均2.40%と2.91%と高い予測精度を示している。
  論文  参考訳（メタデータ） (2025-08-22T14:06:21Z)
• Component-Based Machine Learning for Indoor Flow and Temperature Fields Prediction Latent Feature Aggregation and Flow Interaction [22.85411632321514]
  本研究では,従来のCFDシミュレーションを代替するコンポーネントベース機械学習(CBML)サロゲートモデリング手法を提案する。 CBMLは3つのニューラルネットワークで構成されている: 残留接続を持つ畳み込み自己エンコーダ(CAER)、多層パーセプトロン(MLP)、畳み込みニューラルネットワーク(CNN)。 その結果、CBMLモデルはトレーニングとテストの両方のデータセットで2次元の集約速度場を正確に高速に予測できることがわかった。
  論文  参考訳（メタデータ） (2025-07-25T12:57:30Z)
• A Neural Network Architecture Based on Attention Gate Mechanism for 3D Magnetotelluric Forward Modeling [1.5862483908050367]
  本稿では,3次元MTフォワードモデリングのためのアテンションゲーティング機構を統合したMTAGU-Netという新しいニューラルネットワークアーキテクチャを提案する。 デュアルパスアテンションゲーティングモジュールは、前方応答データ画像に基づいて設計され、エンコーダとデコーダの間のスキップ接続に埋め込まれる。 3次元ガウスランダム場(GRF)を利用した合成モデル生成法は,実世界の地質学的シナリオの電気的構造を正確に再現する。
  論文  参考訳（メタデータ） (2025-03-14T13:48:25Z)
• Trajectory Flow Matching with Applications to Clinical Time Series Modeling [77.58277281319253]
  Trajectory Flow Matching (TFM) は、シミュレーションのない方法でニューラルSDEを訓練し、ダイナミックスを通してバックプロパゲーションをバイパスする。 絶対的性能と不確実性予測の観点から,3つの臨床時系列データセットの性能向上を実証した。
  論文  参考訳（メタデータ） (2024-10-28T15:54:50Z)
• Modeling Scattering Coefficients using Self-Attentive Complex Polynomials with Image-based Representation [26.6996054977643]
  与えられた2次元平面アンテナ設計の周波数領域における散乱係数を直接推定するために, CZP と命名されたサンプル効率で正確な代理モデルを提案する。 我々は、CZPが試験損失の点でベースラインを上回るだけでなく、商用ソフトウェアで検証可能な2次元アンテナの設計も見出すことができることを示した。
  論文  参考訳（メタデータ） (2023-01-06T23:32:07Z)
• Performance Optimization for Variable Bitwidth Federated Learning in Wireless Networks [103.22651843174471]
  本稿では,モデル量子化による統合学習(FL)における無線通信と計算効率の向上について考察する。 提案したビット幅FL方式では,エッジデバイスは局所FLモデルパラメータの量子化バージョンを調整し,コーディネートサーバに送信し,それらを量子化されたグローバルモデルに集約し,デバイスを同期させる。 FLトレーニングプロセスはマルコフ決定プロセスとして記述でき、反復よりも行動選択を最適化するためのモデルベース強化学習(RL)手法を提案する。
  論文  参考訳（メタデータ） (2022-09-21T08:52:51Z)
• Bayesian Neural Network Language Modeling for Speech Recognition [59.681758762712754]
  長期記憶リカレントニューラルネットワーク(LSTM-RNN)とトランスフォーマーで表される最先端のニューラルネットワーク言語モデル(NNLM)は非常に複雑になりつつある。 本稿では,LSTM-RNN と Transformer LM の基盤となる不確実性を考慮するために,ベイズ学習フレームワークの全体構造を提案する。
  論文  参考訳（メタデータ） (2022-08-28T17:50:19Z)
• Deep Bayesian Active Learning for Accelerating Stochastic Simulation [74.58219903138301]
  Interactive Neural Process(INP)は、シミュレーションとアクティブな学習アプローチのためのディープラーニングフレームワークである。 能動的学習のために,NPベースモデルの潜時空間で計算された新しい取得関数Latent Information Gain (LIG)を提案する。 その結果,STNPは学習環境のベースラインを上回り,LIGは能動学習の最先端を達成していることがわかった。
  論文  参考訳（メタデータ） (2021-06-05T01:31:51Z)
• Optimization-driven Machine Learning for Intelligent Reflecting Surfaces Assisted Wireless Networks [82.33619654835348]
  インテリジェントサーフェス(IRS)は、個々の散乱素子の位相シフトを制御して無線チャネルを再形成するために用いられる。 散乱素子の規模が大きいため、受動ビームフォーミングは一般に高い計算複雑性によって挑戦される。 本稿では、IRS支援無線ネットワークの性能向上のための機械学習(ML)アプローチに焦点を当てる。
  論文  参考訳（メタデータ） (2020-08-29T08:39:43Z)

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。