論文の概要: EMFusion: Conditional Diffusion Framework for Trustworthy Frequency Selective EMF Forecasting in Wireless Networks

• arxiv url: http://arxiv.org/abs/2512.15067v1
• Date: Wed, 17 Dec 2025 04:12:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-18 17:06:26.851826
• Title: EMFusion: Conditional Diffusion Framework for Trustworthy Frequency Selective EMF Forecasting in Wireless Networks
• Title（参考訳）: EMFusion:無線ネットワークにおける信頼できる周波数選択EMF予測のための条件拡散フレームワーク
• Authors: Zijiang Yan, Yixiang Huang, Jianhua Pei, Hina Tabassum, Luca Chiaraviglio,
• Abstract要約: 本稿では,条件付き多変量拡散に基づく確率予測フレームワークEMFusionを紹介する。 様々な状況要因(例えば、日時、季節、休日など)を統合し、明確な不確実性評価を提供する。 周波数選択型EMFデータセットを用いた数値実験により,作業時間の文脈情報を用いたEMFusionがベースラインモデルより優れていることが示された。
• 参考スコア（独自算出の注目度）: 16.779358331828327
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The rapid growth in wireless infrastructure has increased the need to accurately estimate and forecast electromagnetic field (EMF) levels to ensure ongoing compliance, assess potential health impacts, and support efficient network planning. While existing studies rely on univariate forecasting of wideband aggregate EMF data, frequency-selective multivariate forecasting is needed to capture the inter-operator and inter-frequency variations essential for proactive network planning. To this end, this paper introduces EMFusion, a conditional multivariate diffusion-based probabilistic forecasting framework that integrates diverse contextual factors (e.g., time of day, season, and holidays) while providing explicit uncertainty estimates. The proposed architecture features a residual U-Net backbone enhanced by a cross-attention mechanism that dynamically integrates external conditions to guide the generation process. Furthermore, EMFusion integrates an imputation-based sampling strategy that treats forecasting as a structural inpainting task, ensuring temporal coherence even with irregular measurements. Unlike standard point forecasters, EMFusion generates calibrated probabilistic prediction intervals directly from the learned conditional distribution, providing explicit uncertainty quantification essential for trustworthy decision-making. Numerical experiments conducted on frequency-selective EMF datasets demonstrate that EMFusion with the contextual information of working hours outperforms the baseline models with or without conditions. The EMFusion outperforms the best baseline by 23.85% in continuous ranked probability score (CRPS), 13.93% in normalized root mean square error, and reduces prediction CRPS error by 22.47%.
• Abstract（参考訳）: 無線インフラの急速な成長により、継続的なコンプライアンスの確保、潜在的な健康影響の評価、効率的なネットワーク計画のサポートのために、電磁場レベル(EMF)を正確に推定し、予測する必要性が高まっている。 既存の研究は広帯域集合EMFデータの一変量予測に頼っているが、プロアクティブネットワーク計画に不可欠な周波数間および周波数間変動を捉えるためには周波数選択多変量予測が必要である。 そこで本稿では,条件付き多変量拡散に基づく確率予測フレームワークEMFusionを紹介する。 提案アーキテクチャは,外部条件を動的に統合して生成プロセスを誘導するクロスアテンション機構によって強化された残存U-Netバックボーンを特徴とする。 さらに、EMFusionは、予測を構造的インペイントタスクとして扱い、不規則な測定でも時間的コヒーレンスを確保する、計算に基づくサンプリング戦略を統合する。 標準点予測器とは異なり、EMFusionは学習条件分布から直接キャリブレーションされた確率予測間隔を生成し、信頼に値する意思決定に必要な明確な不確実な定量化を提供する。 周波数選択型EMFデータセットを用いた数値実験により,作業時間の文脈情報を用いたEMFusionは,条件の有無にかかわらず,ベースラインモデルよりも優れていた。 EMFusionは、連続的なランク付け確率スコア(CRPS)が23.85%、正規化されたルート平均二乗誤差が13.93%、予測CRPS誤差が22.47%で最高のベースラインを上回っている。

関連論文リスト

• RDIT: Residual-based Diffusion Implicit Models for Probabilistic Time Series Forecasting [4.140149411004857]
  RDITは、点推定と残差に基づく条件拡散と双方向のMambaネットワークを組み合わせたプラグアンドプレイフレームワークである。 RDITは, 強いベースラインに比べてCRPSの低下, 高速推論, カバレッジの向上を実現している。
  論文  参考訳（メタデータ） (2025-09-02T14:06:29Z)
• EMForecaster: A Deep Learning Framework for Time Series Forecasting in Wireless Networks with Distribution-Free Uncertainty Quantification [11.88654374102813]
  我々は、textitEMForecasterと呼ばれるディープラーニング(DL)時系列予測フレームワークを開発した。 EMForecasterは、短期と長期の両方の予測地平線にまたがって、さまざまなデータセットで優れたパフォーマンスを実現している。 ポイント予測タスクでは、EMForecasterは現在の最先端のDLアプローチを大きく上回り、Transformerアーキテクチャよりも53.97%、ベースラインモデルの平均より38.44%改善している。
  論文  参考訳（メタデータ） (2025-03-31T18:10:08Z)
• Similarity-Distance-Magnitude Universal Verification [0.0]
  本研究では,不確実性を考慮した検証と解釈可能性を考慮したSDMネットワークを本質的特性として構築する。 これらの結果を実装したオープンソースソフトウェアを提供する。
  論文  参考訳（メタデータ） (2025-02-27T15:05:00Z)
• MCDFN: Supply Chain Demand Forecasting via an Explainable Multi-Channel Data Fusion Network Model [0.0]
  CNN,Long Short-Term Memory Network (LSTM), Gated Recurrent Units (GRU)を統合したハイブリッドアーキテクチャであるMulti-Channel Data Fusion Network (MCDFN)を紹介する。 我々の比較ベンチマークは、MCDFNが他の7つのディープラーニングモデルより優れていることを示している。 本研究は,需要予測手法を進歩させ,MCDFNをサプライチェーンシステムに統合するための実践的ガイドラインを提供する。
  論文  参考訳（メタデータ） (2024-05-24T14:30:00Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2023-10-17T20:30:16Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2022-06-16T06:13:53Z)
• Probabilistic electric load forecasting through Bayesian Mixture Density Networks [70.50488907591463]
  確率的負荷予測(PLF)は、スマートエネルギーグリッドの効率的な管理に必要な拡張ツールチェーンの重要なコンポーネントです。 ベイジアン混合密度ネットワークを枠とした新しいPLFアプローチを提案する。 後方分布の信頼性と計算にスケーラブルな推定を行うため,平均場変動推定と深層アンサンブルを統合した。
  論文  参考訳（メタデータ） (2020-12-23T16:21:34Z)

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。