論文の概要: Transform-Invariant Generative Ray Path Sampling for Efficient Radio Propagation Modeling

• arxiv url: http://arxiv.org/abs/2603.01655v1
• Date: Mon, 02 Mar 2026 09:37:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-03 19:50:56.794821
• Title: Transform-Invariant Generative Ray Path Sampling for Efficient Radio Propagation Modeling
• Title（参考訳）: 効率的な電波伝搬モデリングのための変換不変な生成線経路サンプリング
• Authors: Jérome Eertmans, Enrico M. Vitucci, Vittorio Degli-Esposti, Nicola Di Cicco, Laurent Jacques, Claude Oestges,
• Abstract要約: レイトレーシングは正確な電波伝搬モデリングの標準となっているが、計算複雑性に悩まされている。 本稿では,総合的な機械学習支援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）: 5.567300300236187
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Ray tracing has become a standard for accurate radio propagation modeling, but suffers from exponential computational complexity, as the number of candidate paths scales with the number of objects raised to the power of the interaction order. This bottleneck limits its use in large-scale or real-time applications, forcing traditional tools to rely on heuristics to reduce the number of path candidates at the cost of potentially reduced accuracy. To overcome this limitation, we propose a comprehensive machine-learning-assisted framework that replaces exhaustive path searching with intelligent sampling via Generative Flow Networks. Applying such generative models to this domain presents significant challenges, particularly sparse rewards due to the rarity of valid paths, which can lead to convergence failures and trivial solutions when evaluating high-order interactions in complex environments. To ensure robust learning and efficient exploration, our framework incorporates three key architectural components. First, we implement an \emph{experience replay buffer} to capture and retain rare valid paths. Second, we adopt a uniform exploratory policy to improve generalization and prevent the model from overfitting to simple geometries. Third, we apply a physics-based action masking strategy that filters out physically impossible paths before the model even considers them. As demonstrated in our experimental validation, the proposed model achieves substantial speedups over exhaustive search -- up to $10\times$ faster on GPU and $1000\times$ faster on CPU -- while maintaining high coverage accuracy and successfully uncovering complex propagation paths. The complete source code, tests, and tutorial are available at https://github.com/jeertmans/sampling-paths.
• Abstract（参考訳）: レイトレーシングは、正確な電波伝搬モデリングの標準となっているが、相互作用順序のパワーに起因したオブジェクトの数が増大するにつれて、指数関数計算の複雑さに悩まされている。 このボトルネックは、大規模またはリアルタイムのアプリケーションでの使用を制限するため、従来のツールがヒューリスティックに頼らざるを得ず、パス候補の数を削減し、精度を低下させる可能性がある。 この制限を克服するため,ジェネレーティブ・フロー・ネットワークによる全経路探索をインテリジェント・サンプリングに置き換える,包括的な機械学習支援フレームワークを提案する。 このような生成モデルをこの領域に適用することは、特に有効な経路の希薄さによって、複雑な環境における高次相互作用を評価する際に、収束の失敗や自明な解決につながるようなスパース報酬など、大きな課題を示す。 堅牢な学習と効率的な探索を保証するため、我々のフレームワークには3つの重要なアーキテクチャコンポーネントが組み込まれています。 まず、希少な有効なパスをキャプチャし、保持するために \emph{experience replay buffer} を実装した。 第2に、一般化を改善し、モデルが単純な測地に過度に収まらないようにするための一様探索政策を採用する。 第3に、物理に基づくアクションマスキング戦略を適用し、モデルがそれを考える前に物理的に不可能な経路をフィルタリングする。 実験検証で実証したように、提案モデルでは、全検索 -- GPUで最大10ドル、CPUで最大1000ドル以上 -- を大幅に高速化し、高いカバレッジの精度を維持しながら、複雑な伝搬パスの発見に成功した。 ソースコード、テスト、チュートリアルはhttps://github.com/jeertmans/sampling-paths.comで公開されている。

関連論文リスト

• Tail-Aware Post-Training Quantization for 3D Geometry Models [58.79500829118265]
  ポストトレーニング量子化(PTQ)は、再トレーニングなしに効率的な推論を可能にする。 PTQは複雑な特徴分布と禁止キャリブレーションオーバーヘッドのために、3Dモデルに効果的に転送できない。 3次元幾何学学習のためのTail-Aware Post-Training Quantization PipelineであるTAPTQを提案する。
  論文  参考訳（メタデータ） (2026-02-02T07:21:15Z)
• Barlow-Swin: Toward a novel siamese-based segmentation architecture using Swin-Transformers [1.1083289076967895]
  本稿では,リアルタイムな2次元医用画像セグメンテーションに特化して設計された,エンドツーエンドの軽量アーキテクチャを提案する。 我々のモデルは、スウィントランスフォーマーのようなエンコーダとU-Netのようなデコーダを組み合わせて、空間的詳細を保存するためにスキップ経路を介して接続する。 Swin TransformerやU-Netのような既存の設計とは異なり、アーキテクチャははるかに浅く、競争的に効率的です。
  論文  参考訳（メタデータ） (2025-09-08T17:05:53Z)
• Noise Hypernetworks: Amortizing Test-Time Compute in Diffusion Models [57.49136894315871]
  テストタイムスケーリングの新しいパラダイムは、推論モデルと生成視覚モデルにおいて驚くべきブレークスルーをもたらした。 本稿では,テスト時間スケーリングの知識をモデルに組み込むことの課題に対する1つの解決策を提案する。 拡散モデルにおいて、初期入力ノイズを変調するノイズハイパーネットワークにより、報酬誘導試験時間雑音の最適化を行う。
  論文  参考訳（メタデータ） (2025-08-13T17:33:37Z)
• Enhancing Path Planning Performance through Image Representation Learning of High-Dimensional Configuration Spaces [0.4143603294943439]
  障害物のある未知のシーンにおける経路計画タスクを高速化する新しい手法を提案する。 高速探索ランダムツリーアルゴリズムを用いて,衝突のない経路の経路点分布を近似した。 本実験は,臨界時間制約下での経路計画タスクを高速化する有望な結果を実証する。
  論文  参考訳（メタデータ） (2025-01-11T21:14:52Z)
• Towards Generative Ray Path Sampling for Faster Point-to-Point Ray Tracing [5.567300300236187]
  本稿では,潜在的光線経路を効率的にサンプリングするための機械学習支援レイトレーシング手法を提案する。 我々のモデルは、あらゆる可能なパスの中で潜在的に有効なパスを優先順位付けし、シーンの複雑さと線形にスケールすることを学ぶ。
  論文  参考訳（メタデータ） (2024-10-31T09:42:03Z)
• Exploring Dynamic Transformer for Efficient Object Tracking [58.120191254379854]
  効率的なトラッキングのための動的トランスフォーマーフレームワークであるDyTrackを提案する。 DyTrackは、様々な入力に対して適切な推論ルートを設定することを学習し、利用可能な計算予算をより活用する。 複数のベンチマークの実験では、DyTrackは単一のモデルで有望な速度精度のトレードオフを実現している。
  論文  参考訳（メタデータ） (2024-03-26T12:31:58Z)
• Parameter-efficient Tuning of Large-scale Multimodal Foundation Model [68.24510810095802]
  我々はこれらの課題を克服するために、クロスモーダル転送(Aurora)のための優雅なプロンプトフレームワークを提案する。 既存のアーキテクチャの冗長性を考慮すると、まずモード近似を用いて0.1Mのトレーニング可能なパラメータを生成し、マルチモーダルプロンプトチューニングを実装する。 6つのクロスモーダルベンチマークの徹底的な評価は、最先端のベンチマークを上回るだけでなく、完全な微調整アプローチよりも優れていることを示している。
  論文  参考訳（メタデータ） (2023-05-15T06:40:56Z)
• A Fast Post-Training Pruning Framework for Transformers [74.59556951906468]
  プルーニングは、大きなTransformerモデルの巨大な推論コストを削減する効果的な方法である。 モデルプルーニングの以前の作業では、モデルの再トレーニングが必要だった。 本稿では,再学習を必要としないトランスフォーマーのための高速な訓練後プルーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-03-29T07:41:11Z)
• Pyramid Correlation based Deep Hough Voting for Visual Object Tracking [16.080776515556686]
  我々は、ピラミド相関に基づくDeep Hough Voting(PCDHV用ショート)という、投票に基づく分類専用追跡アルゴリズムを提案する。 具体的には、埋め込み特徴に微細な局所構造と大域的空間的文脈を持たせるために、ピラミド相関モジュールを革新的に構築する。 精巧に設計されたDeep Hough Votingモジュールがさらに引き継ぎ、ピクセルの長距離依存を隅々まで知覚する。
  論文  参考訳（メタデータ） (2021-10-15T10:37:00Z)
• Cream of the Crop: Distilling Prioritized Paths For One-Shot Neural Architecture Search [60.965024145243596]
  ワンショット重み共有手法は、高効率と競争性能のため、最近、ニューラルアーキテクチャ探索において大きな注目を集めている。 この問題を軽減するため, 単純で効果的な蒸留法を提案する。 本稿では、訓練中に優れた性能を示すアーキテクチャ候補を指す優先順位付けパスの概念を紹介する。 優先順位付けされた経路は、その性能や複雑さに応じて、ハエで変化するため、最終的な経路は作物のクリームである。
  論文  参考訳（メタデータ） (2020-10-29T17:55:05Z)

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。