Fugu-MT 論文翻訳(概要): Dynamic Accuracy Estimation in a Wi-Fi-based Positioning System

論文の概要: Dynamic Accuracy Estimation in a Wi-Fi-based Positioning System

arxiv url: http://arxiv.org/abs/2601.00999v1
Date: Fri, 02 Jan 2026 22:46:41 GMT
ステータス: 翻訳完了
システム内更新日: 2026-01-06 16:25:21.932005
Title: Dynamic Accuracy Estimation in a Wi-Fi-based Positioning System
Title（参考訳）: Wi-Fiベースの位置決めシステムにおける動的精度推定
Authors: Marcin Kolakowski, Vitomir Djaja-Josko,
Abstract要約: 本稿では,位置推定アルゴリズムを用いて測定結果に基づいて位置推定誤差を導出する動的精度推定手法を提案する。この概念はWinobreakdash-Fiを用いた屋内位置決めシステムで実験的に検証され、いくつかの回帰法が試験された。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The paper presents a concept of a dynamic accuracy estimation method, in which the localization errors are derived based on the measurement results used by the positioning algorithm. The concept was verified experimentally in a Wi\nobreakdash-Fi based indoor positioning system, where several regression methods were tested (linear regression, random forest, k-nearest neighbors, and neural networks). The highest positioning error estimation accuracy was achieved for random forest regression, with a mean absolute error of 0.72 m.
Abstract（参考訳）: 本稿では,位置推定アルゴリズムを用いて測定結果に基づいて位置推定誤差を導出する動的精度推定手法を提案する。この概念は、Wi\nobreakdash-Fiベースの屋内位置決めシステムで実験的に検証され、いくつかの回帰法がテストされた(線形回帰、ランダムフォレスト、k-アネレスト隣人、ニューラルネットワーク)。平均絶対誤差は0.72mであった。

関連論文リスト

Chaos into Order: Neural Framework for Expected Value Estimation of Stochastic Partial Differential Equations [0.9944647907864256]
線形偏微分方程式(SPDE)の期待値を近似する物理インフォームドニューラルネットワークを提案する。トレーニング中の時空座標とノイズ実現の両方のランダムサンプリングを活用することで、LECは標準フィードフォワードニューラルネットワークをトレーニングし、複数のサンプル間での残留損失を最小限に抑える。このモデルでは, より低次元における解の期待値の正確な近似を常に学習し, 空間次元の増加に伴うロバスト性低下を予測可能であることを示す。
論文参考訳（メタデータ） (2025-02-05T23:27:28Z)
Fully Heteroscedastic Count Regression with Deep Double Poisson Networks [6.976150282812484]
Deep Double Poisson Network (DDPN) はニューラル・離散カウント回帰モデルである。 DDPNはヘテロセダスティックガウスモデルと同様の頑健な回帰特性を示す。多様なデータセットの実験では、DDPNが現在のベースラインを精度、キャリブレーション、アウト・オブ・ディストリビューション検出で上回っていることが示されている。
論文参考訳（メタデータ） (2024-06-13T16:02:03Z)
Adaptive deep density approximation for stochastic dynamical systems [0.5120567378386615]
状態変数の確率密度関数(PDF)の反復を近似するために、新しい時間的KRnetを提案する。 tKRnetを効率的に訓練するために、対応する残留損失関数のコロケーションポイントを生成する適応手順を開発した。時間分解技術は、長期統合を改善するためにも用いられる。
論文参考訳（メタデータ） (2024-05-05T04:29:22Z)
NUQ: Nonparametric Uncertainty Quantification for Deterministic Neural Networks [151.03112356092575]
本研究では,Nadaraya-Watson の条件付きラベル分布の非パラメトリック推定に基づく分類器の予測の不確かさの測定方法を示す。種々の実世界の画像データセットにおける不確実性推定タスクにおいて,本手法の強い性能を示す。
論文参考訳（メタデータ） (2022-02-07T12:30:45Z)
Dynamic Iterative Refinement for Efficient 3D Hand Pose Estimation [87.54604263202941]
本稿では,従来の推定値の修正に部分的レイヤを反復的に活用する,小さなディープニューラルネットワークを提案する。学習したゲーティング基準を用いて、ウェイトシェアリングループから抜け出すかどうかを判断し、モデルにサンプルごとの適応を可能にする。提案手法は,広く使用されているベンチマークの精度と効率の両面から,最先端の2D/3Dハンドポーズ推定手法より一貫して優れている。
論文参考訳（メタデータ） (2021-11-11T23:31:34Z)
Improving Uncertainty Calibration via Prior Augmented Data [56.88185136509654]
ニューラルネットワークは、普遍関数近似器として機能することで、複雑なデータ分布から学習することに成功した。彼らはしばしば予測に自信過剰であり、不正確で誤った確率的予測に繋がる。本稿では,モデルが不当に過信である特徴空間の領域を探索し,それらの予測のエントロピーをラベルの以前の分布に対して条件的に高める手法を提案する。
論文参考訳（メタデータ） (2021-02-22T07:02:37Z)
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)
Path Sample-Analytic Gradient Estimators for Stochastic Binary Networks [78.76880041670904]
二進的アクティベーションや二進的重みを持つニューラルネットワークでは、勾配降下によるトレーニングは複雑である。そこで本研究では,サンプリングと解析近似を併用した新しい推定法を提案する。勾配推定において高い精度を示し、深部畳み込みモデルにおいてより安定かつ優れた訓練を行うことを示す。
論文参考訳（メタデータ） (2020-06-04T21:51:21Z)
Uncertainty Estimation Using a Single Deep Deterministic Neural Network [66.26231423824089]
本稿では,1回のフォワードパスで,テスト時に分布データポイントの発見と拒否が可能な決定論的ディープモデルを訓練する手法を提案する。我々は,新しい損失関数とセントロイド更新方式を用いて,これらをスケールトレーニングし,ソフトマックスモデルの精度に適合させる。
論文参考訳（メタデータ） (2020-03-04T12:27:36Z)

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。