論文の概要: Attending to Routers Aids Indoor Wireless Localization

• arxiv url: http://arxiv.org/abs/2602.16762v1
• Date: Wed, 18 Feb 2026 16:17:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-20 15:21:28.280792
• Title: Attending to Routers Aids Indoor Wireless Localization
• Title（参考訳）: 屋内無線位置対応ルータへの取り組み
• Authors: Ayush Roy, Tahsin Fuad Hassan, Roshan Ayyalasomayajula, Vishnu Suresh Lokhande,
• Abstract要約: トライアングル化のために複数のルータからの情報を集約する際に、各ルータの寄与が異なる重み付けとなることを保証する。 我々は,注目層を標準的な機械学習ローカライズアーキテクチャに組み込むことで,各ルータの関連性を強調することで,全体的な性能を大幅に向上させることができることを示した。
• 参考スコア（独自算出の注目度）: 3.103468261088991
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modern machine learning-based wireless localization using Wi-Fi signals continues to face significant challenges in achieving groundbreaking performance across diverse environments. A major limitation is that most existing algorithms do not appropriately weight the information from different routers during aggregation, resulting in suboptimal convergence and reduced accuracy. Motivated by traditional weighted triangulation methods, this paper introduces the concept of attention to routers, ensuring that each router's contribution is weighted differently when aggregating information from multiple routers for triangulation. We demonstrate, by incorporating attention layers into a standard machine learning localization architecture, that emphasizing the relevance of each router can substantially improve overall performance. We have also shown through evaluation over the open-sourced datasets and demonstrate that Attention to Routers outperforms the benchmark architecture by over 30% in accuracy.
• Abstract（参考訳）: Wi-Fi信号を用いた最新の機械学習ベースのワイヤレスローカライゼーションは、さまざまな環境における画期的なパフォーマンスを達成する上で、依然として大きな課題に直面している。 大きな制限は、ほとんどの既存のアルゴリズムが集約中に異なるルータからの情報を適切に重み付けせず、最適下収束と精度の低下をもたらすことである。 本稿では,従来の重み付け三角測量方式により,複数のルータからの情報を三角測量のために集約する際に,各ルータの寄与が異なる重み付けであることを保証する。 我々は,注目層を標準的な機械学習ローカライズアーキテクチャに組み込むことで,各ルータの関連性を強調することで,全体的な性能を大幅に向上させることができることを示した。 また、オープンソースデータセットに対する評価を通じて、ルータへの注意がベンチマークアーキテクチャの精度を30%以上上回っていることを示す。

関連論文リスト

• Joint Sensing, Communication, and Computation for Vertical Federated Edge Learning in Edge Perception Network [75.78245138352698]
  本稿では,統合されたセンサ,通信,および計算可能なエッジ認識ネットワークについて考察する。 複数のエッジデバイスは、無線信号を利用してローカルモデルを更新する環境情報を検知し、エッジサーバは、グローバルモデルトレーニングのためのオーバー・ザ・エア計算によるフィーチャの埋め込みを集約する。 まず、無線センシングノイズの存在下での損失関数の劣化とAirComp中の凝集歪みからISCC対応VFEELの収束挙動を解析する。
  論文  参考訳（メタデータ） (2025-12-03T02:20:58Z)
• Improving and benchmarking NISQ qubit routers [0.0]
  1次元および2次元格子接続性に基づくランダム量子回路を考慮した様々なルーティング手法をベンチマークする。 本稿では、SWAPと回路深さのオーバーヘッドの影響を捉えるための総合的な指標として、回路の忠実度を紹介する。
  論文  参考訳（メタデータ） (2025-02-06T09:31:51Z)
• An Intelligent SDWN Routing Algorithm Based on Network Situational Awareness and Deep Reinforcement Learning [4.085916808788356]
  本稿では、ネットワーク状況認識による深層強化学習に基づくインテリジェントルーティングアルゴリズム(DRL-PPONSA)を紹介する。 実験の結果,DRL-PPONSAはネットワークスループット,遅延,パケット損失率,無線ノード距離において従来のルーティング手法よりも優れていた。
  論文  参考訳（メタデータ） (2023-05-12T14:18:09Z)
• Multi-agent Reinforcement Learning with Graph Q-Networks for Antenna Tuning [60.94661435297309]
  モバイルネットワークの規模は、手作業による介入や手作業による戦略を使ってアンテナパラメータの最適化を困難にしている。 本研究では,モバイルネットワーク構成をグローバルに最適化するマルチエージェント強化学習アルゴリズムを提案する。 シミュレーション環境におけるアンテナ傾き調整問題とジョイント傾き・電力制御問題に対するアルゴリズムの性能を実証的に示す。
  論文  参考訳（メタデータ） (2023-01-20T17:06:34Z)
• Correlating sparse sensing for large-scale traffic speed estimation: A Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
  本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。 次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2022-10-21T07:25:57Z)
• Flow-Packet Hybrid Traffic Classification for Class-Aware Network Routing [24.947404267499586]
  flow-packet hybrid traffic classification (fphtc) 我々は、ルーティングポリシーに基づいてパケットごとにルータが決定するfphtcを紹介する。 トラフィックパターンの変更に対して堅牢であり、限られた計算リソースでデプロイできることを示す。
  論文  参考訳（メタデータ） (2021-04-30T20:30:36Z)
• Landmark Regularization: Ranking Guided Super-Net Training in Neural Architecture Search [70.57382341642418]
  重量共有は、コモディティハードウェア上での検索を可能にするため、ニューラルネットワークアーキテクチャ検索のデファクトスタンダードとなっています。 近年の研究では、スタンドアロンアーキテクチャのパフォーマンスと対応する共有重み付きネットワークのパフォーマンスのランキング障害が実証されている。 本稿では,共有重みネットワークの性能ランキングとスタンドアロンアーキテクチャのパフォーマンスランキングの相関を最大化することを目的とした正規化用語を提案する。
  論文  参考訳（メタデータ） (2021-04-12T09:32:33Z)
• Distributed Learning in Wireless Networks: Recent Progress and Future Challenges [170.35951727508225]
  次世代のワイヤレスネットワークは、エッジデバイスが収集するさまざまな種類のデータを分析する多くの機械学習ツールやアプリケーションを可能にする。 エッジデバイスが生データ交換なしでMLモデルを協調的にトレーニングできるようにする手段として,分散学習と推論技術が提案されている。 本稿では,ワイヤレスエッジネットワーク上で分散学習を効率的に効果的に展開する方法を包括的に研究する。
  論文  参考訳（メタデータ） (2021-04-05T20:57:56Z)
• Reinforcement Learning for Datacenter Congestion Control [50.225885814524304]
  渋滞制御アルゴリズムの成功は、レイテンシとネットワーク全体のスループットを劇的に改善する。 今日まで、このような学習ベースのアルゴリズムはこの領域で実用的な可能性を示さなかった。 実世界のデータセンターネットワークの様々な構成に一般化することを目的としたRLに基づくアルゴリズムを考案する。 本稿では,この手法が他のRL手法よりも優れており,トレーニング中に見られなかったシナリオに一般化可能であることを示す。
  論文  参考訳（メタデータ） (2021-02-18T13:49:28Z)
• Scalable Deep Reinforcement Learning for Routing and Spectrum Access in Physical Layer [12.018165291620164]
  無線アドホックネットワークにおける同時ルーティングとスペクトルアクセスのための新しい強化学習手法を提案する。 単一のエージェントは、各フローのフロンティアノードに沿って移動すると、すべてのルーティングとスペクトラムアクセスの決定を行います。 提案した深層強化学習戦略は,リンク間の相互干渉を考慮できる。
  論文  参考訳（メタデータ） (2020-12-22T01:47:20Z)
• Attention Routing: track-assignment detailed routing using attention-based reinforcement learning [0.23453441553817037]
  そこで我々は新しいルータであるアテンションルータを提案する。このルータは、強化学習を用いてトラック割り当ての詳細ルーティング問題を解決するための最初の試みである。 注目ルータとそのベースライン遺伝ルータは、異なる商用先進技術アナログ回路の問題を解決するために応用される。
  論文  参考訳（メタデータ） (2020-04-20T17:50:13Z)

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。