論文の概要: A Primer on Evolutionary Frameworks for Near-Field Multi-Source Localization

• arxiv url: http://arxiv.org/abs/2603.07676v1
• Date: Sun, 08 Mar 2026 15:22:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-10 15:13:15.019122
• Title: A Primer on Evolutionary Frameworks for Near-Field Multi-Source Localization
• Title（参考訳）: 近距離マルチソースローカライゼーションのための進化的フレームワークの提案
• Authors: Seyed Jalaleddin Mousavirad, Parisa Ramezani, Mattias O'Nils, Emil Björnson,
• Abstract要約: 本稿では,近距離場マルチソースローカライゼーションのためのモデル駆動型進化的フレームワークについて紹介する。 連続球面波信号モデル上で直接動作する2つの相補的進化的局所化フレームワークを開発した。
• 参考スコア（独自算出の注目度）: 38.61590331630376
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper introduces a novel class of model-driven evolutionary frameworks for near-field multi-source localization, addressing the major limitations of grid-based subspace methods such as MUSIC and data-dependent deep learning approaches. To this end, we develop two complementary evolutionary localization frameworks that operate directly on the continuous spherical-wave signal model and support arbitrary array geometries without requiring labeled data, discretized angle--range grids, or architectural constraints. The first framework, termed NEar-field MultimOdal DE (NEMO-DE) associates each individual in the evolutionary population to a single source and optimizes a residual least-squares objective in a sequential manner, updating the data residual and enforcing spatial separation to estimate multiple source locations. To overcome the limitation of NEMO-DE under large power imbalances among the sources, we propose the second framework, named NEar-field Eigen-subspace Fitting DE (NEEF-DE), which jointly encodes all source locations and minimizes a subspace-fitting criterion that aligns a model-based array response subspace with the received signal subspace. Although the proposed frameworks are algorithm-agnostic and compatible with various evolutionary optimizers, differential evolution (DE) is adopted in this work as a representative search strategy due to its simplicity, robustness, and strong empirical performance. We provide extensive numerical experiments to evaluate the performance of the proposed frameworks under different system configurations. This work establishes evolutionary computation as a powerful and flexible paradigm for model-based near-field localization, paving the way for future innovations in this domain.
• Abstract（参考訳）: 本稿では,MUSICやデータ依存型深層学習アプローチといったグリッドベースのサブスペース手法の主な制約に対処する,近距離場マルチソースローカライゼーションのためのモデル駆動型進化フレームワークの新たなクラスを提案する。 そこで本研究では,連続球面波信号モデル上で直接動作し,ラベル付きデータや離散角線グリッド,アーキテクチャ制約を必要とせずに任意の配列ジオメトリをサポートする2つの相補的進化的局所化フレームワークを開発した。 最初のフレームワークであるNEar-field MultimOdal DE (NEMO-DE)は、進化の個体群の各個体を単一のソースに関連付け、残余の最小二乗目標を逐次的に最適化し、データを更新し、空間分離を強制して複数のソース位置を推定する。 ソース間の大きな電力不均衡下でのNEMO-DEの制限を克服するため,NEEF-DEと呼ばれる第2のフレームワークを提案し,すべてのソース位置を符号化し,モデルベースの配列応答サブスペースと受信信号サブスペースを整列するサブスペース適合基準を最小化する。 提案手法はアルゴリズムに依存せず,様々な進化的オプティマイザと互換性があるが,その単純さ,堅牢性,強い経験的性能から,この研究では微分進化(DE)が代表的探索戦略として採用されている。 本稿では,システム構成の異なるフレームワークの性能を評価するために,広範囲な数値実験を行った。 この研究は、モデルベースのニアフィールドローカライゼーションのための強力で柔軟なパラダイムとして進化計算を確立し、この領域における将来のイノベーションの道を開く。

関連論文リスト

• Learning Topology-Driven Multi-Subspace Fusion for Grassmannian Deep Network [31.003374497881968]
  グラスマン多様体は幾何学的表現学習のための強力なキャリアを提供する。 本稿では,グラスマン多様体上での適応的部分空間協調を実現するトポロジ駆動型多部分空間融合フレームワークを提案する。 我々の研究は幾何学的深層学習を推進し、ユークリッドネットワークの証明されたマルチチャネル相互作用の哲学を非ユークリッド領域に適用する。
  論文  参考訳（メタデータ） (2025-11-09T10:33:13Z)
• NExT-OMNI: Towards Any-to-Any Omnimodal Foundation Models with Discrete Flow Matching [64.10695425442164]
  NExT-OMNI(英語版)は、離散フローパラダイムによる統一モデリングを実現するオープンソース・オムニモーダル・ファンデーション・モデルである。 NExT-OMNIは、大規模なインターリーブ付きテキスト、画像、ビデオ、オーディオデータに基づいて訓練され、マルチモーダル生成および理解ベンチマーク上で競合するパフォーマンスを提供する。 さらなる研究を進めるために、トレーニングの詳細、データプロトコル、およびコードとモデルチェックポイントの両方をオープンソース化する。
  論文  参考訳（メタデータ） (2025-10-15T16:25:18Z)
• Towards Efficient General Feature Prediction in Masked Skeleton Modeling [59.46799426434277]
  マスクスケルトンモデリングのための新しい汎用特徴予測フレームワーク(GFP)を提案する。 我々の重要な革新は、局所的な動きパターンからグローバルな意味表現にまたがる、従来の低レベルな再構築を高レベルな特徴予測に置き換えることです。
  論文  参考訳（メタデータ） (2025-09-03T18:05:02Z)
• A domain decomposition-based autoregressive deep learning model for unsteady and nonlinear partial differential equations [2.7755345520127936]
  非定常・非線形偏微分方程式(PDE)を正確にモデル化するためのドメイン分割型ディープラーニング(DL)フレームワークCoMLSimを提案する。 このフレームワークは、(a)畳み込みニューラルネットワーク(CNN)ベースのオートエンコーダアーキテクチャと(b)完全に接続された層で構成される自己回帰モデルという、2つの重要なコンポーネントで構成されている。
  論文  参考訳（メタデータ） (2024-08-26T17:50:47Z)
• Exploiting Temporal Structures of Cyclostationary Signals for Data-Driven Single-Channel Source Separation [98.95383921866096]
  単一チャネルソース分離(SCSS)の問題点について検討する。 我々は、様々なアプリケーション領域に特に適するサイクロ定常信号に焦点を当てる。 本稿では,最小MSE推定器と競合するU-Netアーキテクチャを用いたディープラーニング手法を提案する。
  論文  参考訳（メタデータ） (2022-08-22T14:04:56Z)
• Neural Distance Embeddings for Biological Sequences [43.07977514121458]
  幾何ベクトル空間に配列を埋め込むためのフレームワークであるNeuroSEEDを提案する。 階層構造を捉えた双曲空間の有効性を示し, RMSEの埋め込みにおける平均22%の還元効果を示す。 提案手法は,実世界のデータセットに対して,大幅な精度向上と実行時改善を示す。
  論文  参考訳（メタデータ） (2021-09-20T17:30:58Z)
• Clustered Federated Learning via Generalized Total Variation Minimization [83.26141667853057]
  本研究では,分散ネットワーク構造を持つローカルデータセットの局所的(あるいはパーソナライズされた)モデルを学習するための最適化手法について検討する。 我々の主要な概念的貢献は、総変動最小化(GTV)としてフェデレーション学習を定式化することである。 私たちのアルゴリズムの主な貢献は、完全に分散化されたフェデレーション学習アルゴリズムです。
  論文  参考訳（メタデータ） (2021-05-26T18:07:19Z)
• Edge-assisted Democratized Learning Towards Federated Analytics [67.44078999945722]
  本稿では,エッジ支援型民主化学習機構であるEdge-DemLearnの階層的学習構造を示す。 また、Edge-DemLearnを柔軟なモデルトレーニングメカニズムとして検証し、リージョンに分散制御と集約の方法論を構築する。
  論文  参考訳（メタデータ） (2020-12-01T11:46:03Z)

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。