論文の概要: PathFinder: Advancing Path Loss Prediction for Single-to-Multi-Transmitter Scenario

• arxiv url: http://arxiv.org/abs/2512.14150v1
• Date: Tue, 16 Dec 2025 07:15:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-17 16:49:26.623104
• Title: PathFinder: Advancing Path Loss Prediction for Single-to-Multi-Transmitter Scenario
• Title（参考訳）: PathFinder:シングル・ツー・マルチ・トランスミッタシナリオにおけるパス損失予測の改善
• Authors: Zhijie Zhong, Zhiwen Yu, Pengyu Li, Jianming Lv, C. L. Philip Chen, Min Chen,
• Abstract要約: PathFinderは、アンタングル化された特徴符号化を通じて建物や送信機を積極的にモデル化する新しいアーキテクチャである。 テストでは、PathFinderは最先端のメソッド、特に挑戦的なマルチトランスミッタシナリオにおいて、大幅にパフォーマンスが向上している。
• 参考スコア（独自算出の注目度）: 60.906711761476735
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Radio path loss prediction (RPP) is critical for optimizing 5G networks and enabling IoT, smart city, and similar applications. However, current deep learning-based RPP methods lack proactive environmental modeling, struggle with realistic multi-transmitter scenarios, and generalize poorly under distribution shifts, particularly when training/testing environments differ in building density or transmitter configurations. This paper identifies three key issues: (1) passive environmental modeling that overlooks transmitters and key environmental features; (2) overemphasis on single-transmitter scenarios despite real-world multi-transmitter prevalence; (3) excessive focus on in-distribution performance while neglecting distribution shift challenges. To address these, we propose PathFinder, a novel architecture that actively models buildings and transmitters via disentangled feature encoding and integrates Mask-Guided Low-rank Attention to independently focus on receiver and building regions. We also introduce a Transmitter-Oriented Mixup strategy for robust training and a new benchmark, single-to-multi-transmitter RPP (S2MT-RPP), tailored to evaluate extrapolation performance (multi-transmitter testing after single-transmitter training). Experimental results show PathFinder outperforms state-of-the-art methods significantly, especially in challenging multi-transmitter scenarios. Our code and project site are available at: https://emorzz1g.github.io/PathFinder/.
• Abstract（参考訳）: 無線路損失予測(RPP)は、5Gネットワークの最適化とIoT、スマートシティ、その他のアプリケーションの実現に不可欠である。 しかし、現在の深層学習に基づくRCP手法では、プロアクティブな環境モデリング、現実的なマルチトランスミッタシナリオとの闘い、特に建物密度や送信機構成の異なるトレーニング/テスト環境の分散シフト下での一般化が不十分である。 本稿では,(1)送信機と重要な環境特徴を無視する受動的環境モデリング,(2)現実のマルチ送信の頻度に拘わらず単一送信機シナリオの過度な強調,(3)分散シフトの課題を無視しながら流通性能に過剰な注力を行う,という3つの課題について述べる。 そこで本稿では,Msk-Guided Low-rank Attention(マスク誘導低ランクアテンション)を統合して,レシーバとビルディング領域に独立して焦点を当てる新しいアーキテクチャPathFinderを提案する。 また,ロバストトレーニングのためのTransmitter-Oriented Mixup戦略を導入し,シングル・トゥ・マルチ・トランスミッタRCP (S2MT-RPP) というベンチマークを導入し,外挿性能(シングル・トランスミッタトレーニング後のマルチ・トランスミッタテスト)を評価する。 実験結果から、PathFinderは最先端の手法、特に挑戦的なマルチトランスミッタシナリオにおいて、大幅に性能が向上することが示された。 私たちのコードとプロジェクトサイトは、https://emorzz1g.github.io/PathFinder/.com/で利用可能です。

関連論文リスト

• ReVeal-MT: A Physics-Informed Neural Network for Multi-Transmitter Radio Environment Mapping [9.43653276377036]
  本稿では,マルチソースPDE残基をニューラルネットワーク損失関数に統合した新しいPINNであるemphReVeal-MTを提案する。 ReVeal-MTは、農耕地や郊外の環境にまたがるARA無線リビングラボからの実測値を用いて検証されている。 その結果,ReVeal-MTはマルチトランスミッタのシナリオでかなりの精度のゲインが得られることがわかった。
  論文  参考訳（メタデータ） (2025-11-22T23:33:06Z)
• Unifying Environment Perception and Route Choice Modeling for Trajectory Representation Learning [47.00223863430964]
  Tray Learning (TRL) は、低次元ベクトルに生の軌跡をエンコードすることを目的としており、旅行時間推定、位置予測、軌道類似性解析など様々な下流タスクに活用できる。 効率的なtextbfPRTrajectory表現学習のための時間的明示的textRoute選択モデルであるtextbfPRTrajを提案する。
  論文  参考訳（メタデータ） (2025-10-16T15:55:28Z)
• PFSD: A Multi-Modal Pedestrian-Focus Scene Dataset for Rich Tasks in Semi-Structured Environments [73.80718037070773]
  本稿では, 半構造化シーンに, nuScenesの形式を付加したマルチモーダルなPedestrian-Focused Sceneデータセットを提案する。 また,密集・隠蔽シナリオにおける歩行者検出のためのHMFN(Hybrid Multi-Scale Fusion Network)を提案する。
  論文  参考訳（メタデータ） (2025-02-21T09:57:53Z)
• Pruning Self-attentions into Convolutional Layers in Single Path [89.55361659622305]
  ビジョントランスフォーマー(ViT)は、様々なコンピュータビジョンタスクに対して印象的なパフォーマンスを実現している。 トレーニング済みのViTを効率よく自動圧縮するSPViT(Single-Path Vision Transformer pruning)を提案する。 われわれのSPViTはDeiT-Bで52.0%のFLOPをトリミングできる。
  論文  参考訳（メタデータ） (2021-11-23T11:35:54Z)

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。