論文の概要: An Efficient and Explainable KAN Framework forWireless Radiation Field Prediction

• arxiv url: http://arxiv.org/abs/2601.11656v1
• Date: Thu, 15 Jan 2026 20:00:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-21 22:47:22.257892
• Title: An Efficient and Explainable KAN Framework forWireless Radiation Field Prediction
• Title（参考訳）: 無線電界予測のための効率的かつ説明可能なKAフレームワーク
• Authors: Jingzhou Shen, Xuyu Wang,
• Abstract要約: 近年のニューラルネットワークは無線周波数(RF)信号伝搬パターンを学習できるが、それぞれのボクセルを独立して処理する。 本稿では,個々の点ではなく,完全線の包括的表現を学習する新しいアプローチを提案する。
• 参考スコア（独自算出の注目度）: 11.080227212115199
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modeling wireless channels accurately remains a challenge due to environmental variations and signal uncertainties. Recent neural networks can learn radio frequency~(RF) signal propagation patterns, but they process each voxel on the ray independently, without considering global context or environmental factors. Our paper presents a new approach that learns comprehensive representations of complete rays rather than individual points, capturing more detailed environmental features. We integrate a Kolmogorov-Arnold network (KAN) architecture with transformer modules to achieve better performance across realistic and synthetic scenes while maintaining computational efficiency. Our experimental results show that this approach outperforms existing methods in various scenarios. Ablation studies confirm that each component of our model contributes to its effectiveness. Additional experiments provide clear explanations for our model's performance.
• Abstract（参考訳）: 無線チャネルのモデル化は、環境変動や信号の不確実性のため、依然として困難である。 近年のニューラルネットワークは、無線周波数〜(RF)信号伝搬パターンを学習できるが、グローバルな文脈や環境要因を考慮せずに、それぞれのボクセルを個別に光線上で処理する。 本稿では,個々の点ではなく完全な光線の包括的表現を学習し,より詳細な環境特徴を抽出する手法を提案する。 我々は,KANアーキテクチャをトランスフォーマーモジュールと統合し,計算効率を維持しつつ,現実的かつ合成的なシーンにおける優れた性能を実現する。 実験結果から,本手法は様々なシナリオにおいて既存手法よりも優れていることがわかった。 アブレーション研究は、我々のモデルの各コンポーネントがその有効性に寄与していることを確認した。 追加実験は、我々のモデルの性能について明確な説明を提供する。

関連論文リスト

• World Model-Based Learning for Long-Term Age of Information Minimization in Vehicular Networks [53.98633183204453]
  本稿では,車載ネットワークにおけるパケット完全性認識情報(CAoI)の年齢を最小化するために,新しい世界モデルに基づく学習フレームワークを提案する。 mmWave V2X環境の動的モデルを共同で学習し、リンクスケジューリングの方法を学ぶための軌跡を想像するために使用する世界モデルフレームワークを提案する。 特に、長期的な政策は環境相互作用の代わりに、異なる想像軌道で学習される。
  論文  参考訳（メタデータ） (2025-05-03T06:23:18Z)
• Radio Generation Using Generative Adversarial Networks with An Unrolled Design [18.049453261384013]
  無線生成のための新しいGANフレームワーク「Radio GAN」を開発した。 1つ目は、電波信号のサンプリング分布をモデル化することを目的としたサンプリングポイントに基づく学習である。 2つ目は、未学習のジェネレータ設計であり、予測された純粋な信号分布を前者として組み合わせることで、学習の難易度を大幅に低減することができる。
  論文  参考訳（メタデータ） (2023-06-24T07:47:22Z)
• Domain Adaptation of Synthetic Driving Datasets for Real-World Autonomous Driving [0.11470070927586014]
  特定のコンピュータビジョンタスクのための合成データで訓練されたネットワークは、実世界のデータでテストすると大幅に劣化する。 本稿では,このような手法を改良するための新しい手法を提案し,評価する。 本稿では,このペア選択にセマンティック・インスペクションを効果的に組み込む手法を提案し,モデルの性能向上に寄与する。
  論文  参考訳（メタデータ） (2023-02-08T15:51:54Z)
• Sensor Control for Information Gain in Dynamic, Sparse and Partially Observed Environments [1.5402666674186938]
  本研究では,部分観測可能,動的,疎密なサンプル環境下での情報収集のための自律型センサ制御手法を提案する。 本研究は,(1)新しい情報獲得報酬を用いて,未開の非定常環境における探索を改善することで,DAN強化学習フレームワークを拡張した。 また、目的のRFスペクトル/フィールドからのサンプリングが限定された状況にまで拡張し、制限されたフィールドサンプリングから反復的に改善されたモデルを介してコントローラを微調整するオリジナルのRLアルゴリズムのモデルベースバージョンを提案する。
  論文  参考訳（メタデータ） (2022-11-03T00:03:14Z)
• CAFE: Learning to Condense Dataset by Aligning Features [72.99394941348757]
  本稿ではCAFE(Aligning features)によるCondenseデータセットの新しいスキームを提案する。 このアプローチの核心は、さまざまなスケールにわたる実データと合成データから機能を整合させる効果的な戦略です。 提案したCAFEを様々なデータセットで検証し,概ね最先端技術であることを示す。
  論文  参考訳（メタデータ） (2022-03-03T05:58:49Z)
• NeRF in detail: Learning to sample for view synthesis [104.75126790300735]
  ニューラルレイディアンス場(NeRF)法は目覚ましい新しいビュー合成を実証している。 この作業では、バニラ粗大なアプローチの明確な制限に対処します -- パフォーマンスに基づいており、手元にあるタスクのエンドツーエンドをトレーニングしていません。 我々は、サンプルの提案と、そのネットワークにおける重要性を学習し、そのニューラルネットワークアーキテクチャに対する複数の代替案を検討し比較する、微分可能なモジュールを導入する。
  論文  参考訳（メタデータ） (2021-06-09T17:59:10Z)
• ChaRRNets: Channel Robust Representation Networks for RF Fingerprinting [0.0]
  RFフィンガープリントのための複雑値畳み込みニューラルネットワーク(CNN)を提案する。 我々は,深層学習(dl)技術を用いた無線iotデバイスの指紋認証の問題に注目する。
  論文  参考訳（メタデータ） (2021-05-08T03:03:21Z)
• Learning to Continuously Optimize Wireless Resource in a Dynamic Environment: A Bilevel Optimization Perspective [52.497514255040514]
  この研究は、データ駆動メソッドが動的環境でリソース割り当て戦略を継続的に学び、最適化することを可能にする新しいアプローチを開発しています。 学習モデルが新たなエピソードに段階的に適応できるように、連続学習の概念を無線システム設計に組み込むことを提案する。 我々の設計は、異なるデータサンプルにまたがる公平性を保証する、新しい二段階最適化定式化に基づいている。
  論文  参考訳（メタデータ） (2021-05-03T07:23:39Z)
• Learning to Continuously Optimize Wireless Resource In Episodically Dynamic Environment [55.91291559442884]
  この研究は、データ駆動型手法が動的環境で継続的に学習し、最適化できる方法論を開発する。 本稿では,無線システム学習のモデリングプロセスに連続学習の概念を構築することを提案する。 我々の設計は、異なるデータサンプル間で「一定の公正性を保証する」新しいmin-maxの定式化に基づいている。
  論文  参考訳（メタデータ） (2020-11-16T08:24:34Z)

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。