論文の概要: RadioKMoE: Knowledge-Guided Radiomap Estimation with Kolmogorov-Arnold Networks and Mixture-of-Experts

• arxiv url: http://arxiv.org/abs/2511.16986v1
• Date: Fri, 21 Nov 2025 06:45:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-24 18:08:18.908263
• Title: RadioKMoE: Knowledge-Guided Radiomap Estimation with Kolmogorov-Arnold Networks and Mixture-of-Experts
• Title（参考訳）: RadioKMoE: Kolmogorov-Arnold NetworksとMixture-of-Expertsを用いた知識誘導ラジオマップ推定
• Authors: Fupei Guo, Kerry Pan, Songyang Zhang, Yue Wang, Zhi Ding,
• Abstract要約: Radiomapは、信号の伝搬とカバレッジに関する強力な空間知識を提供することによって、無線ネットワークの管理と展開のための重要なツールである。 Kolmogorov-Arnold Networks (KAN)とMixture-of-Experts (MoE)を統合した知識誘導RMEフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 34.00474942999819
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Radiomap serves as a vital tool for wireless network management and deployment by providing powerful spatial knowledge of signal propagation and coverage. However, increasingly complex radio propagation behavior and surrounding environments pose strong challenges for radiomap estimation (RME). In this work, we propose a knowledge-guided RME framework that integrates Kolmogorov-Arnold Networks (KAN) with Mixture-of-Experts (MoE), namely RadioKMoE. Specifically, we design a KAN module to predict an initial coarse coverage map, leveraging KAN's strength in approximating physics models and global radio propagation patterns. The initial coarse map, together with environmental information, drives our MoE network for precise radiomap estimation. Unlike conventional deep learning models, the MoE module comprises expert networks specializing in distinct radiomap patterns to improve local details while preserving global consistency. Experimental results in both multi- and single-band RME demonstrate the enhanced accuracy and robustness of the proposed RadioKMoE in radiomap estimation.
• Abstract（参考訳）: Radiomapは、信号の伝搬とカバレッジに関する強力な空間知識を提供することによって、無線ネットワークの管理と展開のための重要なツールである。 しかし、より複雑な電波伝搬挙動と周囲環境は、RME(Radiomap Estimation)に強い課題をもたらす。 本研究では,KAN(Kolmogorov-Arnold Networks)とMixture-of-Experts(MoE)を統合した知識誘導型RMEフレームワーク,すなわちRadioKMoEを提案する。 具体的には、物理モデルとグローバル無線伝搬パターンの近似におけるkanの強みを生かして、初期粗いカバレッジマップを予測するためにkanモジュールを設計する。 最初の粗い地図は環境情報とともに、正確なラジオマップ推定のために我々のMoEネットワークを駆動する。 従来のディープラーニングモデルとは異なり、MoEモジュールは、グローバルな一貫性を維持しながら局所的な詳細を改善するために、異なる無線マップパターンに特化した専門家ネットワークで構成されている。 マルチバンド RME とシングルバンド RME の2つの実験結果から,ラジオマップ推定におけるRadioKMoE の精度とロバスト性の向上が示された。

関連論文リスト

• Generative MIMO Beam Map Construction for Location Recovery and Beam Tracking [67.65578956523403]
  本稿では,スパースチャネル状態情報(CSI)から位置ラベルを直接復元する生成フレームワークを提案する。 生のCSIを直接格納する代わりに、小型の低次元無線地図の埋め込みを学び、生成モデルを利用して高次元CSIを再構築する。 数値実験により,NLOSシナリオにおける局所化精度が30%以上向上し,20%のキャパシティゲインが得られることが示された。
  論文  参考訳（メタデータ） (2025-11-21T07:25:49Z)
• RadioFormer: A Multiple-Granularity Radio Map Estimation Transformer with 1\textpertenthousand Spatial Sampling [60.267226205350596]
  電波マップ推定は、電磁スペクトル量の密度の高い表現を生成することを目的としている。 空間スパース観測によって生じる制約に対処する新しい多重粒度変換器であるRadioFormerを提案する。 また,RadioFormerは,最小計算コストを維持しつつ,無線マップ推定における最先端手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-04-27T08:44:41Z)
• RadioDiff-$k^2$: Helmholtz Equation Informed Generative Diffusion Model for Multi-Path Aware Radio Map Construction [76.24833675757033]
  物理インフォームド・ジェネレーティブ・ラーニング・アプローチであるRadioDiff-$k2$を提案する。 提案するRadioDiff-$k2$フレームワークは,画像レベルのRM構成とローカライズタスクの両方において,最先端(SOTA)性能を実現する。
  論文  参考訳（メタデータ） (2025-04-22T06:28:13Z)
• RadioDiff-Inverse: Diffusion Enhanced Bayesian Inverse Estimation for ISAC Radio Map Construction [24.3983954491267]
  無線地図(RM)は、環境に配慮した通信やセンシングに不可欠であり、位置固有の無線チャネル情報を提供する。 既存のRM構築法は、しばしば正確な環境データと基地局(BS)の場所に依存しており、動的またはプライバシーに敏感な環境では必ずしも利用できない。 本稿では、粗い環境知識とノイズスパース測定の下でのベイズ逆問題としてRM構築を定式化する。 拡散強化ベイズ逆推定フレームワークであるRadioDiff-Inverseを提案する。
  論文  参考訳（メタデータ） (2025-04-19T13:49:59Z)
• Physics-Inspired Distributed Radio Map Estimation [28.88538563486102]
  本研究では,陸地情報がない場合に,物理に着想を得た分散ラジオマップ推定(RME)ソリューションを提案する。 グローバルオートエンコーダモジュールはクライアント間で共有され、無線伝搬パターンに対する共通のパスロスの影響を捉え、クライアント固有のオートエンコーダモジュールはローカルシャドーイング効果によって生成される個々の特徴の学習に重点を置いている。
  論文  参考訳（メタデータ） (2025-02-01T04:58:17Z)
• RadioGAT: A Joint Model-based and Data-driven Framework for Multi-band Radiomap Reconstruction via Graph Attention Networks [36.8227064106456]
  マルチバンド無線マップ再構成(MB-RMR)は、スペクトル管理やネットワーク計画といったタスクのための無線通信において重要な要素である。 シミュレーションデータに大きく依存する従来の機械学習ベースのMB-RMRメソッドは、重要なデプロイメント課題に直面している。 本研究では,単一領域におけるMB-RMRに適したグラフ注意ネットワーク(GAT)に基づく新しいフレームワークであるRadioGATを提案する。
  論文  参考訳（メタデータ） (2024-03-25T03:23:10Z)
• Fast and Accurate Cooperative Radio Map Estimation Enabled by GAN [63.90647197249949]
  6G時代には、無線リソースのリアルタイムモニタリングと管理が、多様な無線アプリケーションをサポートするように求められている。 本稿では,GAN(Generative Adversarial Network)による協調的無線地図推定手法を提案する。
  論文  参考訳（メタデータ） (2024-02-05T05:01:28Z)
• Three-Way Deep Neural Network for Radio Frequency Map Generation and Source Localization [67.93423427193055]
  空間、時間、周波数領域にわたる無線スペクトルのモニタリングは、5Gと6G以上の通信技術において重要な特徴となる。 本稿では,空間領域全体にわたる不規則分散計測を補間するGAN(Generative Adversarial Network)機械学習モデルを提案する。
  論文  参考訳（メタデータ） (2021-11-23T22:25:10Z)

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。