論文の概要: Diffusion-based Surrogate Model for Time-varying Underwater Acoustic Channels

• arxiv url: http://arxiv.org/abs/2511.18078v1
• Date: Sat, 22 Nov 2025 14:25:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-25 18:34:24.615381
• Title: Diffusion-based Surrogate Model for Time-varying Underwater Acoustic Channels
• Title（参考訳）: 拡散に基づく時変水中音響チャンネルのサロゲートモデル
• Authors: Kexin Li, Mandar Chitre,
• Abstract要約: StableUASimは水中音響通信路の力学を捉える条件付き潜伏拡散代理モデルである。 特異な測定サンプルから条件生成をサポートしながら、多種多様で統計的に現実的なチャネル実現を実現している。 システム設計と機械学習駆動型水中アプリケーションの両方に対して、スケーラブルで、データ効率が高く、物理的に一貫性のある代理モデルを提供する。
• 参考スコア（独自算出の注目度）: 5.274320948201636
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate modeling of time-varying underwater acoustic channels is essential for the design, evaluation, and deployment of reliable underwater communication systems. Conventional physics models require detailed environmental knowledge, while stochastic replay methods are constrained by the limited diversity of measured channels and often fail to generalize to unseen scenarios, reducing their practical applicability. To address these challenges, we propose StableUASim, a pre-trained conditional latent diffusion surrogate model that captures the stochastic dynamics of underwater acoustic communication channels. Leveraging generative modeling, StableUASim produces diverse and statistically realistic channel realizations, while supporting conditional generation from specific measurement samples. Pre-training enables rapid adaptation to new environments using minimal additional data, and the autoencoder latent representation facilitates efficient channel analysis and compression. Experimental results demonstrate that StableUASim accurately reproduces key channel characteristics and communication performance, providing a scalable, data-efficient, and physically consistent surrogate model for both system design and machine learning-driven underwater applications.
• Abstract（参考訳）: 信頼性の高い水中通信システムの設計,評価,展開には,時間変化水中音響チャネルの正確なモデリングが不可欠である。 従来の物理モデルは詳細な環境知識を必要とするが、確率的リプレイ法は測定されたチャネルの限られた多様性によって制約され、しばしば目に見えないシナリオに一般化できず、実用性が低下する。 これらの課題に対処するために,水中音響通信路の確率的ダイナミクスを捉える条件付き潜伏拡散代理モデルであるStableUASimを提案する。 生成モデルを活用することで、StableUASimは、特定の測定サンプルから条件生成をサポートしながら、多様かつ統計的に現実的なチャネル実現を実現する。 事前学習により、最小限の追加データを用いて、新しい環境への迅速な適応が可能となり、オートエンコーダの潜在表現は、効率的なチャネル分析と圧縮を容易にする。 実験により、StableUASimはキーチャネル特性と通信性能を正確に再現し、スケーラブルで、データ効率が高く、物理的に一貫したサロゲートモデルを提供し、システム設計と機械学習駆動水中アプリケーションの両方に役立てることを示した。

関連論文リスト

• Lightweight Task-Oriented Semantic Communication Empowered by Large-Scale AI Models [66.57755931421285]
  大規模人工知能(LAI)モデルは、リアルタイム通信シナリオにおいて重大な課題を提起する。 本稿では,LAIモデルから知識を抽出・凝縮するために知識蒸留(KD)技術を活用することを提案する。 本稿では,反復推論の必要性を排除したプレストア圧縮機構を備えた高速蒸留法を提案する。
  論文  参考訳（メタデータ） (2025-06-16T08:42:16Z)
• A CGAN-LSTM-Based Framework for Time-Varying Non-Stationary Channel Modeling [18.899432402460565]
  本稿では,非定常チャネル特性の進化を捉えるために,長期的動的チャネルの生成を強調した。 本研究では,条件付き生成逆数ネットワーク(CGAN)と長期記憶ネットワーク(LSTM)を組み合わせたハイブリッドディープラーニングフレームワークを提案する。 定常性に制約されたアプローチは、生成された時系列チャネルの時間的相関を保証するように設計されている。
  論文  参考訳（メタデータ） (2025-03-03T03:27:45Z)
• Exploring Representation-Aligned Latent Space for Better Generation [86.45670422239317]
  生成性能を改善するために,セマンティックな事前情報を統合するReaLSを導入する。 本研究では、ReaLSでトレーニングされたDETとSiTが、FID測定値の15%改善を実現することを示す。 拡張されたセマンティック潜在空間は、セグメンテーションや深さ推定のようなより知覚的な下流タスクを可能にする。
  論文  参考訳（メタデータ） (2025-02-01T07:42:12Z)
• Hybrid Data-Driven SSM for Interpretable and Label-Free mmWave Channel Prediction [15.984639104292352]
  本稿では,データ駆動型ニューラルネットワークを従来のモデルベースワークフローに統合するハイブリッド手法を提案する。 ラベルのないデータだけで組み込みニューラルネットワークをトレーニングするために、新しい教師なし学習戦略が開発された。
  論文  参考訳（メタデータ） (2024-11-18T13:54:44Z)
• Cross-modal Prompts: Adapting Large Pre-trained Models for Audio-Visual Downstream Tasks [55.36987468073152]
  本稿では,DG-SCT(Dual-Guided Space-Channel-Temporal)アテンション機構を提案する。 DG-SCTモジュールはトレーニング可能なクロスモーダル・インタラクション・レイヤを事前トレーニングされたオーディオ・ビジュアル・エンコーダに組み込む。 提案手法は, AVE, AVVP, AVS, AVQA, AVQAを含む複数のダウンストリームタスクにまたがる最先端の処理結果を実現する。
  論文  参考訳（メタデータ） (2023-11-09T05:24:20Z)
• Underwater Acoustic Target Recognition based on Smoothness-inducing Regularization and Spectrogram-based Data Augmentation [21.327653766608805]
  不十分なデータは、複雑なモデリングをサポートする認識システムの能力を阻害する可能性がある。 限られたデータの場合,モデルの一般化能力を高めるための2つの戦略を提案する。
  論文  参考訳（メタデータ） (2023-06-12T08:26:47Z)
• Model-based Deep Learning Receiver Design for Rate-Splitting Multiple Access [65.21117658030235]
  本研究では,モデルベース深層学習(MBDL)に基づく実用的なRSMA受信機の設計を提案する。 MBDL受信機は、符号なしシンボル誤り率(SER)、リンクレベルシミュレーション(LLS)によるスループット性能、平均トレーニングオーバーヘッドの観点から評価される。 その結果,MBDLはCSIRが不完全なSIC受信機よりも優れていた。
  論文  参考訳（メタデータ） (2022-05-02T12:23:55Z)
• Machine learning for rapid discovery of laminar flow channel wall modifications that enhance heat transfer [56.34005280792013]
  任意の, 平坦な, 非平坦なチャネルの正確な数値シミュレーションと, ドラッグ係数とスタントン数を予測する機械学習モデルを組み合わせる。 畳み込みニューラルネットワーク(CNN)は,数値シミュレーションのわずかな時間で,目標特性を正確に予測できることを示す。
  論文  参考訳（メタデータ） (2021-01-19T16:14:02Z)

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。