論文の概要: On the Prediction of Wi-Fi Performance through Deep Learning

• arxiv url: http://arxiv.org/abs/2512.00211v1
• Date: Fri, 28 Nov 2025 21:22:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-02 19:46:34.113553
• Title: On the Prediction of Wi-Fi Performance through Deep Learning
• Title（参考訳）: 深層学習によるWi-Fi性能の予測について
• Authors: Gabriele Formis, Amanda Ericson, Stefan Forsstrom, Kyi Thar, Gianluca Cena, Stefano Scanzio,
• Abstract要約: このコントリビューションは、成功率を示す重要な指標であるフレームデリバリ比率(FDR)の予測に焦点を当てている。 この分析は、畳み込みニューラルネットワーク(CNN)とLong Short-Term Memory Network(LSTM)の2つのディープラーニングモデルに焦点を当てている。 予備的な結果は、両方のモデルが最小限の情報から、FDRの進化を精度良く予測できることを示している。
• 参考スコア（独自算出の注目度）: 0.11726720776908521
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Ensuring reliable and predictable communications is one of the main goals in modern industrial systems that rely on Wi-Fi networks, especially in scenarios where continuity of operation and low latency are required. In these contexts, the ability to predict changes in wireless channel quality can enable adaptive strategies and significantly improve system robustness. This contribution focuses on the prediction of the Frame Delivery Ratio (FDR), a key metric that represents the percentage of successful transmissions, starting from time sequences of binary outcomes (success/failure) collected in a real scenario. The analysis focuses on two models of deep learning: a Convolutional Neural Network (CNN) and a Long Short-Term Memory network (LSTM), both selected for their ability to predict the outcome of time sequences. Models are compared in terms of prediction accuracy and computational complexity, with the aim of evaluating their applicability to systems with limited resources. Preliminary results show that both models are able to predict the evolution of the FDR with good accuracy, even from minimal information (a single binary sequence). In particular, CNN shows a significantly lower inference latency, with a marginal loss in accuracy compared to LSTM.
• Abstract（参考訳）: 信頼性と予測可能な通信を保証することは、Wi-Fiネットワークに依存する現代の産業システムにおいて、特に運用の継続性と低レイテンシが要求されるシナリオにおいて、主要な目標の1つである。 これらの状況下では、無線チャネル品質の変化を予測する能力は適応的な戦略を可能にし、システムの堅牢性を大幅に改善することができる。 このコントリビューションは、実際のシナリオで収集されたバイナリ結果(success/failure)の時系列から始まる、成功率を表すキーメトリックであるFrame Delivery Ratio(FDR)の予測に焦点を当てている。 この分析は、CNN(Convolutional Neural Network)とLSTM(Long Short-Term Memory Network)の2つのディープラーニングモデルに焦点を当てている。 モデルは、限られたリソースを持つシステムに適用性を評価することを目的として、予測精度と計算複雑性の観点から比較される。 予備的な結果は、両方のモデルが最小の情報(単一バイナリシーケンス)から、FDRの進化を精度良く予測できることを示している。 特に、CNNは、LSTMに比べて精度が限界的に低下しているため、推論遅延が著しく低い。

関連論文リスト

• A Self-organizing Interval Type-2 Fuzzy Neural Network for Multi-Step Time Series Prediction [9.546043411729206]
  インターバル型2ファジィニューラルネットワーク(IT2FNN)は、単一ステップ予測タスクに対する不確実性モデリングにおいて、例外的な性能を示した。 本稿では,複数出力(SOIT2FNN-MO)を有する新しい自己組織化間隔型2ファジィニューラルネットワークを提案する。 カオスおよびマイクログリッド予測問題に対する実験結果から,SOIT2FNN-MOは最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2024-07-10T19:35:44Z)
• Deep Neural Networks Tend To Extrapolate Predictably [51.303814412294514]
  ニューラルネットワークの予測は、アウト・オブ・ディストリビューション(OOD)入力に直面した場合、予測不可能で過信される傾向がある。 我々は、入力データがOODになるにつれて、ニューラルネットワークの予測が一定値に向かう傾向があることを観察する。 我々は、OOD入力の存在下でリスクに敏感な意思決定を可能にするために、私たちの洞察を実際に活用する方法を示します。
  論文  参考訳（メタデータ） (2023-10-02T03:25:32Z)
• Dual Accuracy-Quality-Driven Neural Network for Prediction Interval Generation [0.0]
  本稿では,回帰に基づくニューラルネットワークの予測間隔を自動的に学習する手法を提案する。 我々の主な貢献は、PI世代ネットワークのための新しい損失関数の設計である。 合成データセット,8つのベンチマークデータセット,および実世界の収量予測データセットを用いて実験したところ,本手法は有意な確率カバレッジを維持することができた。
  論文  参考訳（メタデータ） (2022-12-13T05:03:16Z)
• A Learning Convolutional Neural Network Approach for Network Robustness Prediction [13.742495880357493]
  ネットワークの堅牢性は、様々な社会的・産業的ネットワークにとって再び悪意ある攻撃にとって重要である。 本稿では,畳み込みニューラルネットワーク(LFR-CNN)を用いた学習特徴表現に基づくネットワークロバスト性予測の改良手法を提案する。 このスキームでは、高次元のネットワークデータを低次元の表現に圧縮し、CNNに渡してロバストネス予測を行う。
  論文  参考訳（メタデータ） (2022-03-20T13:45:55Z)
• Feature Analysis for ML-based IIoT Intrusion Detection [0.0]
  ネットワーク侵入検知システム(NIDS)の実装に強力な機械学習モデルが採用されている。 検出精度と計算効率を最大化するデータ特徴の適切なセットを選択することが重要である。 本稿では,ネットワーク攻撃の重要性と予測力の観点から,最適な特徴セットを広範囲に分析する。
  論文  参考訳（メタデータ） (2021-08-29T02:19:37Z)
• Mitigating Performance Saturation in Neural Marked Point Processes: Architectures and Loss Functions [50.674773358075015]
  本稿では,グラフ畳み込み層のみを利用するGCHPという単純なグラフベースのネットワーク構造を提案する。 我々は,GCHPがトレーニング時間を大幅に短縮し,時間間確率仮定による確率比損失がモデル性能を大幅に改善できることを示した。
  論文  参考訳（メタデータ） (2021-07-07T16:59:14Z)
• Lost in Pruning: The Effects of Pruning Neural Networks beyond Test Accuracy [42.15969584135412]
  ニューラルネットワークプルーニングは、現代のネットワークの推論コストを削減するために使用される一般的な技術です。 試験精度のみを終了条件で使用するだけで、結果のモデルが正常に機能するかどうかを評価します。 刈り取られたネットワークは、効果的に未刈り込みモデルに近似するが、刈り取られたネットワークがコンメンシュレートのパフォーマンスを達成できるプルー比はタスクによって大きく異なる。
  論文  参考訳（メタデータ） (2021-03-04T13:22:16Z)
• Uncertainty-Aware Deep Calibrated Salient Object Detection [74.58153220370527]
  既存のディープニューラルネットワークに基づくサルエントオブジェクト検出(SOD)手法は主に高いネットワーク精度の追求に重点を置いている。 これらの手法は、信頼不均衡問題として知られるネットワーク精度と予測信頼の間のギャップを見落としている。 我々は,不確実性を考慮した深部SODネットワークを導入し,深部SODネットワークの過信を防止するための2つの戦略を提案する。
  論文  参考訳（メタデータ） (2020-12-10T23:28:36Z)
• Neural Networks and Value at Risk [59.85784504799224]
  リスクしきい値推定における資産価値のモンテカルロシミュレーションを行う。 株式市場と長期債を試験資産として利用し、ニューラルネットワークについて検討する。 はるかに少ないデータでフィードされたネットワークは、大幅にパフォーマンスが悪くなっています。
  論文  参考訳（メタデータ） (2020-05-04T17:41:59Z)

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。