論文の概要: Robust Processing and Learning: Principles, Methods, and Wireless Applications

• arxiv url: http://arxiv.org/abs/2602.09848v1
• Date: Tue, 10 Feb 2026 14:53:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-11 20:17:43.615621
• Title: Robust Processing and Learning: Principles, Methods, and Wireless Applications
• Title（参考訳）: ロバスト処理と学習 - 原則,方法,ワイヤレスアプリケーション
• Authors: Shixiong Wang, Wei Dai, Li-Chun Wang, Geoffrey Ye Li,
• Abstract要約: 本稿では,無線センシング・通信(WSC)によるロバストネスの基本原理と手法について概説する。 本研究は,ロバストな推定とテスト,分布的にロバストな最適化,正規化とトレーニングの敵関係といった重要な手法について検討する。 一般信号処理コミュニティに古典的発展と最近のロバストネス理論の進歩を紹介することを目的としている。
• 参考スコア（独自算出の注目度）: 39.97590247123539
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This tutorial-style overview article examines the fundamental principles and methods of robustness, using wireless sensing and communication (WSC) as the narrative and exemplifying framework. First, we formalize the conceptual and mathematical foundations of robustness, highlighting the interpretations and relations across robust statistics, optimization, and machine learning. Key techniques, such as robust estimation and testing, distributionally robust optimization, and regularized and adversary training, are investigated. Together, the costs of robustness in system design, for example, the compromised nominal performances and the extra computational burdens, are discussed. Second, we review recent robust signal processing solutions for WSC that address model mismatch, data scarcity, adversarial perturbation, and distributional shift. Specific applications include robust ranging-based localization, modality sensing, channel estimation, receive combining, waveform design, and federated learning. Through this effort, we aim to introduce the classical developments and recent advances in robustness theory to the general signal processing community, exemplifying how robust statistical, optimization, and machine learning approaches can address the uncertainties inherent in WSC systems.
• Abstract（参考訳）: 本稿では,無線センシング・通信(WSC)を物語・実証フレームワークとして用いて,ロバストネスの基本原理と手法について概説する。 まず、ロバストネスの概念と数学的基礎を定式化し、ロバスト統計、最適化、機械学習の解釈と関係を明らかにする。 本研究では,ロバストな推定とテスト,分散的ロバストな最適化,正規化および逆トレーニングなどの重要な手法について検討した。 システム設計における堅牢性のコスト、例えば、妥協された名目性能と余分な計算負担について論じる。 第2に、モデルミスマッチ、データ不足、対向摂動、分散シフトに対処するWSCの堅牢な信号処理ソリューションについて概説する。 具体的な応用としては、ロバストレンジに基づくローカライゼーション、モダリティセンシング、チャネル推定、受信結合、波形設計、フェデレーション学習などがある。 本研究は,WSCシステムに固有の不確実性に対して,統計的,最適化,機械学習アプローチがいかに頑健であるかを実証し,古典的発展と近年のロバストネス理論の進歩を一般信号処理コミュニティに紹介することを目的とする。

関連論文リスト

• Deep Unfolding: Recent Developments, Theory, and Design Guidelines [99.63555420898554]
  この記事では、最適化アルゴリズムを構造化されたトレーニング可能なMLアーキテクチャに変換するフレームワークであるDeep Unfoldingのチュートリアルスタイルの概要を提供する。 推論と学習のための最適化の基礎を概観し、深層展開のための4つの代表的な設計パラダイムを導入し、その反復的な性質から生じる特有なトレーニングスキームについて議論する。
  論文  参考訳（メタデータ） (2025-12-03T13:16:35Z)
• Feature-Based vs. GAN-Based Learning from Demonstrations: When and Why [50.191655141020505]
  この調査は、デモから学ぶ機能ベースのアプローチとGANベースのアプローチの比較分析を提供する。 特徴に基づく手法とGANに基づく手法の2分法はますます曖昧になっていると我々は主張する。
  論文  参考訳（メタデータ） (2025-07-08T11:45:51Z)
• A Theory of Inference Compute Scaling: Reasoning through Directed Stochastic Skill Search [15.387256204743407]
  大規模言語モデル(LLM)は、訓練と配備の間にかなりの計算量、エネルギー、財務資源を必要とする。 推論コストは、今やリソース全体の負担の重要かつ増大する要素である。 本稿では,学習したスキルグラフ上での推論を表現力として表現する一般的なフレームワークである有向スキルサーチ(DS3)を紹介する。
  論文  参考訳（メタデータ） (2025-06-10T14:47:48Z)
• Binarized Neural Networks Converge Toward Algorithmic Simplicity: Empirical Support for the Learning-as-Compression Hypothesis [33.73453802399709]
  本稿では,二元化ニューラルネットワーク(BNN)を第1のプロキシとして用いて,アルゴリズム情報理論へのシフトを提案する。 ブロック分解法 (BDM) を適用し, エントロピーよりもトレーニング中の構造変化をより綿密に追跡した。 これらの結果は、学習が構造化正規性の進行的内部化に対応するアルゴリズム圧縮の過程としてのトレーニングの観点を支持する。
  論文  参考訳（メタデータ） (2025-05-27T02:51:36Z)
• Robo-taxi Fleet Coordination at Scale via Reinforcement Learning [21.266509380044912]
  この研究は、数学的モデリングとデータ駆動技術を統合する新しい意思決定フレームワークを導入している。 本稿では、強化学習のレンズを通してAMoDコーディネート問題を示し、グラフネットワークに基づくフレームワークを提案する。 特に、強化学習のレンズを通してAMoDコーディネート問題を示し、グラフネットワークに基づくフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-04-08T15:19:41Z)
• Doubly Robust Instance-Reweighted Adversarial Training [107.40683655362285]
  本稿では,2重のインスタンス再重み付き対向フレームワークを提案する。 KL偏差正規化損失関数の最適化により重みを求める。 提案手法は, 平均ロバスト性能において, 最先端のベースライン法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2023-08-01T06:16:18Z)
• A Field Guide to Federated Optimization [161.3779046812383]
  フェデレートされた学習と分析は、分散化されたデータからモデル(あるいは統計)を協調的に学習するための分散アプローチである。 本稿では、フェデレート最適化アルゴリズムの定式化、設計、評価、分析に関する勧告とガイドラインを提供する。
  論文  参考訳（メタデータ） (2021-07-14T18:09:08Z)

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。