論文の概要: FM-RME: Foundation Model Empowered Radio Map Estimation

• arxiv url: http://arxiv.org/abs/2602.22231v1
• Date: Sun, 15 Feb 2026 01:37:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-02 07:21:25.69945
• Title: FM-RME: Foundation Model Empowered Radio Map Estimation
• Title（参考訳）: FM-RME:基礎モデルを用いた無線地図推定
• Authors: Dong Yang, Yue Wang, Songyang Zhang, Yingshu Li, Zhipeng Cai, Zhi Tian,
• Abstract要約: 従来のラジオマップ推定(RME)技術は、複雑なスペクトル環境の多次元的および動的特性を捉えるのに失敗する。 近年のデータ駆動方式は空間領域における正確なRMEを実現するが、電波伝搬の物理的事前知識は無視される。 ゼロショット一般化のための多種多様なデータに基づく自己教師付き事前学習を特徴とする新しい基礎モデルを提案する。
• 参考スコア（独自算出の注目度）: 45.3409083486002
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Traditional radio map estimation (RME) techniques fail to capture multi-dimensional and dynamic characteristics of complex spectrum environments. Recent data-driven methods achieve accurate RME in spatial domain, but ignore physical prior knowledge of radio propagation, limiting data efficiency especially in multi-dimensional scenarios. To overcome such limitations, we propose a new foundation model, characterized by self-supervised pre-training on diverse data for zero-shot generalization, enabling multi-dimensional radio map estimation (FM-RME). Specifically, FM-RME builds an effective synergy of two core components: a geometry-aware feature extraction module that encodes physical propagation symmetries, i.e., translation and rotation invariance, as inductive bias, and an attention-based neural network that learns long-range correlations across the spatial-temporal-spectral domains. A masked self-supervised multi-dimensional pre-training strategy is further developed to learn generalizable spectrum representations across diverse wireless environments. Once pre-trained, FM-RME supports zero-shot inference for multi-dimensional RME, including spatial, temporal, and spectral estimation, without scenario-specific retraining. Simulation results verify that FM-RME exhibits desired learning performance across diverse datasets and zero-shot generalization capabilities beyond existing RME methods.
• Abstract（参考訳）: 従来のラジオマップ推定(RME)技術は、複雑なスペクトル環境の多次元的および動的特性を捉えるのに失敗する。 近年のデータ駆動方式は、空間領域における正確なRMEを実現するが、特に多次元シナリオにおいてデータの効率を制限し、電波伝搬の物理的事前知識を無視する。 このような制約を克服するために,ゼロショット一般化のための多次元無線マップ推定(FM-RME)が可能な,多様なデータに対する自己教師付き事前学習を特徴とする新しい基礎モデルを提案する。 具体的には、FM-RMEは、物理伝播対称性を符号化する幾何学的特徴抽出モジュール、すなわち、帰納的バイアスとして変換と回転不変性を符号化するモジュールと、空間-時間-スペクトル領域にわたる長距離相関を学習する注意に基づくニューラルネットワークの2つのコアコンポーネントの効果的な相乗効果を構築する。 さらに,様々な無線環境における一般化可能なスペクトル表現を学習するために,マスク付き自己監督型多次元事前学習戦略を開発した。 FM-RMEは、事前にトレーニングされた後、シナリオ固有のリトレーニングなしで、空間、時間、スペクトル推定を含む多次元RMEのゼロショット推論をサポートする。 シミュレーションの結果,FM-RMEは,既存のRME法を超えて,多様なデータセットにまたがる学習性能とゼロショット一般化能力を示すことがわかった。

関連論文リスト

• iRadioDiff: Physics-Informed Diffusion Model for Indoor Radio Map Construction and Localization [28.221749064585484]
  iRadioDiffは、屋内RM構築のためのサンプリングフリー拡散ベースのフレームワークである。 iRadioDiff は室内RM工法における最先端性能を実現し,信号強度に基づく室内局地化を実現した。
  論文  参考訳（メタデータ） (2025-11-25T07:32:49Z)
• SpectrumFM: A Foundation Model for Intelligent Spectrum Management [99.08036558911242]
  既存のインテリジェントスペクトル管理手法は、通常は小規模モデルに基づいており、認識精度、収束速度、一般化の顕著な制限に悩まされている。 本稿では、スペクトルFMと呼ばれる新しいスペクトル基盤モデルを提案し、スペクトル管理のための新しいパラダイムを確立する。 実験により、SpectrumFMは精度、堅牢性、適応性、少数ショット学習効率、収束速度の点で優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2025-05-02T04:06:39Z)
• RadioFormer: A Multiple-Granularity Radio Map Estimation Transformer with 1\textpertenthousand Spatial Sampling [60.267226205350596]
  電波マップ推定は、電磁スペクトル量の密度の高い表現を生成することを目的としている。 空間スパース観測によって生じる制約に対処する新しい多重粒度変換器であるRadioFormerを提案する。 また,RadioFormerは,最小計算コストを維持しつつ,無線マップ推定における最先端手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-04-27T08:44:41Z)
• RadioDiff-$k^2$: Helmholtz Equation Informed Generative Diffusion Model for Multi-Path Aware Radio Map Construction [76.24833675757033]
  物理インフォームド・ジェネレーティブ・ラーニング・アプローチであるRadioDiff-$k2$を提案する。 提案するRadioDiff-$k2$フレームワークは,画像レベルのRM構成とローカライズタスクの両方において,最先端(SOTA)性能を実現する。
  論文  参考訳（メタデータ） (2025-04-22T06:28:13Z)
• RadioDiff-Inverse: Diffusion Enhanced Bayesian Inverse Estimation for ISAC Radio Map Construction [24.3983954491267]
  無線地図(RM)は、環境に配慮した通信やセンシングに不可欠であり、位置固有の無線チャネル情報を提供する。 既存のRM構築法は、しばしば正確な環境データと基地局(BS)の場所に依存しており、動的またはプライバシーに敏感な環境では必ずしも利用できない。 本稿では、粗い環境知識とノイズスパース測定の下でのベイズ逆問題としてRM構築を定式化する。 拡散強化ベイズ逆推定フレームワークであるRadioDiff-Inverseを提案する。
  論文  参考訳（メタデータ） (2025-04-19T13:49:59Z)
• Physics-Inspired Distributed Radio Map Estimation [28.88538563486102]
  本研究では,陸地情報がない場合に,物理に着想を得た分散ラジオマップ推定(RME)ソリューションを提案する。 グローバルオートエンコーダモジュールはクライアント間で共有され、無線伝搬パターンに対する共通のパスロスの影響を捉え、クライアント固有のオートエンコーダモジュールはローカルシャドーイング効果によって生成される個々の特徴の学習に重点を置いている。
  論文  参考訳（メタデータ） (2025-02-01T04:58:17Z)
• Accelerated Multi-Contrast MRI Reconstruction via Frequency and Spatial Mutual Learning [50.74383395813782]
  本稿では,周波数・空間相互学習ネットワーク(FSMNet)を提案する。 提案したFSMNetは, 加速度係数の異なるマルチコントラストMR再構成タスクに対して, 最先端の性能を実現する。
  論文  参考訳（メタデータ） (2024-09-21T12:02:47Z)
• RadioGAT: A Joint Model-based and Data-driven Framework for Multi-band Radiomap Reconstruction via Graph Attention Networks [36.8227064106456]
  マルチバンド無線マップ再構成(MB-RMR)は、スペクトル管理やネットワーク計画といったタスクのための無線通信において重要な要素である。 シミュレーションデータに大きく依存する従来の機械学習ベースのMB-RMRメソッドは、重要なデプロイメント課題に直面している。 本研究では,単一領域におけるMB-RMRに適したグラフ注意ネットワーク(GAT)に基づく新しいフレームワークであるRadioGATを提案する。
  論文  参考訳（メタデータ） (2024-03-25T03:23:10Z)
• Three-Way Deep Neural Network for Radio Frequency Map Generation and Source Localization [67.93423427193055]
  空間、時間、周波数領域にわたる無線スペクトルのモニタリングは、5Gと6G以上の通信技術において重要な特徴となる。 本稿では,空間領域全体にわたる不規則分散計測を補間するGAN(Generative Adversarial Network)機械学習モデルを提案する。
  論文  参考訳（メタデータ） (2021-11-23T22:25:10Z)

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。