論文の概要: Adjustment of Cluster-Then-Predict Framework for Multiport Scatterer Load Prediction

• arxiv url: http://arxiv.org/abs/2602.08129v1
• Date: Sun, 08 Feb 2026 21:26:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-10 20:26:24.993683
• Title: Adjustment of Cluster-Then-Predict Framework for Multiport Scatterer Load Prediction
• Title（参考訳）: マルチポート散乱器負荷予測のためのクラスタ列予測フレームワークの調整
• Authors: Hanjun Park, Aleksandr D. Kuznetsov, Ville Viikari,
• Abstract要約: マルチポート散乱器における相互依存負荷値の予測は, インピーダンスと散乱能力の複雑な依存性と高次元性により困難である。 マルチポート散乱器における複数負荷値予測のための2段階クラスタ列予測フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 41.99844472131922
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Predicting interdependent load values in multiport scatterers is challenging due to high dimensionality and complex dependence between impedance and scattering ability, yet this prediction remains crucial for the design of communication and measurement systems. In this paper, we propose a two-stage cluster-then-predict framework for multiple load values prediction task in multiport scatterers. The proposed cluster-then-predict approach effectively captures the underlying functional relation between S-parameters and corresponding load impedances, achieving up to a 46% reduction in Root Mean Square Error (RMSE) compared to the baseline when applied to gradient boosting (GB). This improvement is consistent across various clustering and regression methods. Furthermore, we introduce the Real-world Unified Index (RUI), a metric for quantitative analysis of trade-offs among multiple metrics with conflicting objectives and different scales, suitable for performance assessment in realistic scenarios. Based on RUI, the combination of K-means clustering and k-nearest neighbors (KNN) is identified as the optimal setup for the analyzed multiport scatterer.
• Abstract（参考訳）: マルチポート散乱器における相互依存負荷値の予測は、高次元性とインピーダンスと散乱能力の複雑な依存性のため困難であるが、この予測は通信・計測システムの設計に不可欠である。 本稿では,マルチポート散乱器における複数負荷値予測タスクのための2段階クラスタ列予測フレームワークを提案する。 提案手法は,Sパラメータと対応する負荷インピーダンスとの間の機能的関係を効果的に把握し,勾配促進(GB)に適用した場合のベースラインと比較して,最大46%のルート平均正方形誤差(RMSE)を低減させる。 この改善は、さまざまなクラスタリングおよびレグレッションメソッド間で一貫性がある。 さらに、現実シナリオにおけるパフォーマンス評価に適した、相反する目標と異なるスケールを持つ複数のメトリクス間のトレードオフを定量的に分析する指標であるReal-world Unified Index(RUI)を導入する。 RUIに基づいて、分析したマルチポート散乱器の最適セットアップとして、K平均クラスタリングとk平均隣人(KNN)の組み合わせが同定される。

関連論文リスト

• Nonparametric Estimation of Joint Entropy through Partitioned Sample-Spacing Method [0.0]
  分割標本間隔(PSS)に基づく多変量関節エントロピーの非パラメトリック推定器を提案する。 PSSは、k-アネレスト近傍推定器を一貫して上回り、最近の正規化フローベース手法と競合する精度を達成する。 これらの特性は、PSSをフローベースアプローチの正規化の実践的な代替品と位置づけ、情報理論機械学習応用に幅広い可能性を秘めている。
  論文  参考訳（メタデータ） (2025-11-17T17:05:34Z)
• Near-Efficient and Non-Asymptotic Multiway Inference [3.131740922192115]
  数値データモデルにおけるテンソル分解に基づく推論の非漸近的効率保証を確立する。 ランク制約付き最大自由度推定器は,クラムエル・ラオ下界に一致するばらつきを伴ってマルチウェイ解析を行う。 上位では、我々のマルチウェイ推定器はCRLBを達成できない可能性があるが、CPベースのパラメトリック推論は依然として最小限である。
  論文  参考訳（メタデータ） (2025-11-07T15:54:31Z)
• SPREAD: Sampling-based Pareto front Refinement via Efficient Adaptive Diffusion [0.8594140167290097]
  SPREADは拡散確率モデル(DDPM)に基づく生成フレームワークである 決定空間からサンプリングされた点上の条件拡散過程を学習する。 適応的多重勾配降下インスパイアされた更新を高速収束に利用するサンプリングスキームにより、候補を洗練する。
  論文  参考訳（メタデータ） (2025-09-25T12:09:37Z)
• Semiparametric conformal prediction [79.6147286161434]
  ベクトル値の非整合性スコアの結合相関構造を考慮した共形予測セットを構築する。 スコアの累積分布関数(CDF)を柔軟に推定する。 提案手法は,現実の回帰問題に対して,所望のカバレッジと競争効率をもたらす。
  論文  参考訳（メタデータ） (2024-11-04T14:29:02Z)
• Bridging Multicalibration and Out-of-distribution Generalization Beyond Covariate Shift [44.708914058803224]
  マルチキャリブレーションによるアウト・オブ・ディストリビューションの一般化のための新しいモデルに依存しない最適化フレームワークを構築した。 本稿では,マルチキャリブレーションとアウト・オブ・ディストリビューションの一般化を両立させるポストプロセッシングアルゴリズムMC-Pseudolabelを提案する。
  論文  参考訳（メタデータ） (2024-06-02T08:11:35Z)
• Rethinking Clustered Federated Learning in NOMA Enhanced Wireless Networks [60.09912912343705]
  本研究では,新しいクラスタ化フェデレーション学習(CFL)アプローチと,非独立かつ同一に分散した(非IID)データセットを統合することのメリットについて検討する。 データ分布における非IIDの度合いを測定する一般化ギャップの詳細な理論的解析について述べる。 非IID条件によって引き起こされる課題に対処する解決策は、特性の分析によって提案される。
  論文  参考訳（メタデータ） (2024-03-05T17:49:09Z)
• Collaborative Uncertainty Benefits Multi-Agent Multi-Modal Trajectory Forecasting [61.02295959343446]
  この研究はまず、相互作用モジュールから生じる不確実性をモデル化する新しい概念であるコラボレーティブ不確実性(CU)を提案する。 我々は、回帰と不確実性推定の両方を行うために、元の置換同変不確かさ推定器を備えた一般的なCU対応回帰フレームワークを構築した。 提案するフレームワークを,プラグインモジュールとして現在のSOTAマルチエージェント軌道予測システムに適用する。
  論文  参考訳（メタデータ） (2022-07-11T21:17:41Z)
• Cluster Regularization via a Hierarchical Feature Regression [0.0]
  本稿では,階層的特徴回帰(HFR)という新しいクラスタベース正規化を提案する。 機械学習とグラフ理論の領域からの洞察を動員し、予測セットの教師付き階層表現に沿ってパラメータを推定する。 経済成長予測への応用は、実証的な環境でのHFRの有効性を示すために用いられる。
  論文  参考訳（メタデータ） (2021-07-10T13:03:01Z)
• 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。