論文の概要: A Graph-Based Approach to Spectrum Demand Prediction Using Hierarchical Attention Networks

• arxiv url: http://arxiv.org/abs/2603.09859v1
• Date: Tue, 10 Mar 2026 16:20:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-11 15:25:24.448264
• Title: A Graph-Based Approach to Spectrum Demand Prediction Using Hierarchical Attention Networks
• Title（参考訳）: 階層型アテンションネットワークを用いたスペクトル需要予測へのグラフベースアプローチ
• Authors: Mohamad Alkadamani, Halim Yanikomeroglu, Amir Ghasemi,
• Abstract要約: 本稿では,地理空間データを用いたスペクトル需要予測を目的とした階層分解能グラフアテンションネットワークモデルHR-GATを提案する。 HR-GATはカナダの5大都市でテストされており、8つのベースラインモデルに対してスペクトル需要の予測精度を21%改善している。
• 参考スコア（独自算出の注目度）: 17.409018763425
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The surge in wireless connectivity demand, coupled with the finite nature of spectrum resources, compels the development of efficient spectrum management approaches. Spectrum sharing presents a promising avenue, although it demands precise characterization of spectrum demand for informed policy-making. This paper introduces HR-GAT, a hierarchical resolution graph attention network model, designed to predict spectrum demand using geospatial data. HR-GAT adeptly handles complex spatial demand patterns and resolves issues of spatial autocorrelation that usually challenge standard machine learning models, often resulting in poor generalization. Tested across five major Canadian cities, HR-GAT improves predictive accuracy of spectrum demand by 21% over eight baseline models, underscoring its superior performance and reliability.
• Abstract（参考訳）: 無線接続需要の急増は、スペクトル資源の有限の性質と相まって、効率的なスペクトル管理手法の開発を補完する。 スペクトル共有は有望な道を示すが、情報的な政策決定のためにスペクトル需要を正確に評価する必要がある。 本稿では,地理空間データを用いたスペクトル需要予測を目的とした階層分解能グラフアテンションネットワークモデルHR-GATを提案する。 HR-GATは複雑な空間的需要パターンを順応的に処理し、通常標準的な機械学習モデルに挑戦する空間的自己相関の問題を解決する。 HR-GATはカナダの5大都市で試験され、8つのベースラインモデルに対してスペクトル需要の予測精度を21%改善し、その優れた性能と信頼性を強調している。

関連論文リスト

• Towards Flexible Spectrum Access: Data-Driven Insights into Spectrum Demand [17.409018763425]
  本稿では,空間上のスペクトル需要変動を推定するためのデータ駆動手法を提案する。 地理空間分析と機械学習を活用して、カナダにおけるケーススタディに適用する。 提案モデルでは,ある都市部で訓練を行った場合のスペクトル需要の70%を計測し,別の都市部で試験を行った。
  論文  参考訳（メタデータ） (2026-03-10T17:34:16Z)
• AI-Enabled Data-driven Intelligence for Spectrum Demand Estimation [17.409018763425]
  本稿では、人工知能(AI)と機械学習(ML)を活用して、スペクトル需要を推定・管理するデータ駆動型アプローチを提案する。 このアプローチでは、サイトライセンスデータから、クラウドソースデータから派生した、スペクトル需要の複数のプロキシを使用する。 提案されたMLモデルは、カナダの5つの主要都市でテストされ、検証され、その一般化性と堅牢性を示す。
  論文  参考訳（メタデータ） (2026-03-10T17:11:36Z)
• Data-Driven Spectrum Demand Prediction: A Spatio-Temporal Framework with Transfer Learning [16.609540158400495]
  本稿では,クラウドソーシングされたユーザサイドキーパフォーマンス指標(KPI)とデータセットを利用して,スペクトル需要を予測する効果的な規制予測フレームワークを提案する。 提案手法は, 高度な特徴工学, 包括的相関解析, 伝達学習技術を導入することにより, 予測精度と地域間一般化性を向上する。
  論文  参考訳（メタデータ） (2025-08-05T19:24:55Z)
• SpectrumFM: Redefining Spectrum Cognition via Foundation Modeling [65.65474629224558]
  本稿ではスペクトル認識のための新しいパラダイムを提供するスペクトルFMと呼ばれるスペクトル基盤モデルを提案する。 畳み込みニューラルネットワークを利用した革新的なスペクトルエンコーダを提案し、スペクトルデータにおける微細な局所信号構造と高レベルのグローバルな依存関係の両方を効果的に捕捉する。 2つの新しい自己教師型学習タスク、すなわちマスク付き再構成と次のスロット信号予測が、SpectrumFMの事前学習のために開発され、モデルがリッチで伝達可能な表現を学習できるようにする。
  論文  参考訳（メタデータ） (2025-08-02T14:40:50Z)
• Scalable Spectrum Availability Prediction using a Markov Chain Framework and ITU-R Propagation Models [0.0]
  本稿では、スペクトル可用性予測のためのスケーラブルなフレームワークを提案する。 一次ユーザ活動の2状態マルコフ連鎖モデルとITU-Rからの高忠実な伝播モデルを組み合わせる。 フレームワークは柔軟で、様々な周波数帯域やシナリオに適応できる。
  論文  参考訳（メタデータ） (2025-07-30T03:22:55Z)
• 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)
• Deep Learning for Spectrum Prediction in Cognitive Radio Networks: State-of-the-Art, New Opportunities, and Challenges [9.499371206380546]
  本稿では,新しい帯域内時間スペクトル予測フレームワークViLSTransTMを提案する。 このフレームワークは、視覚的自己注意と長期記憶を統合し、スペクトル利用パターンの局所的およびグローバル的長期的依存関係をキャプチャする。
  論文  参考訳（メタデータ） (2024-12-13T04:36:05Z)
• GrassNet: State Space Model Meets Graph Neural Network [57.62885438406724]
  Graph State Space Network (GrassNet)は、任意のグラフスペクトルフィルタを設計するためのシンプルで効果的なスキームを提供する理論的なサポートを持つ、新しいグラフニューラルネットワークである。 我々の知る限り、我々の研究はグラフGNNスペクトルフィルタの設計にSSMを使った最初のものである。 9つの公開ベンチマークでの大規模な実験により、GrassNetは現実世界のグラフモデリングタスクにおいて優れたパフォーマンスを達成することが明らかになった。
  論文  参考訳（メタデータ） (2024-08-16T07:33:58Z)
• When Neural Networks Fail to Generalize? A Model Sensitivity Perspective [82.36758565781153]
  ドメイン一般化 (Domain Generalization, DG) は、異なる分布の下で見えないドメインでうまく機能するようにモデルを訓練することを目的としている。 本稿では,より現実的で,より困難なシナリオである単一領域一般化(Single-DG)について考察する。 我々は「モデル感度」と命名する一般化と強く相関するモデルの性質を経験的に確認する。 本稿では、高感度の周波数をターゲットとした拡張画像を生成するために、スペクトル逆データ拡張(SADA)の新たな戦略を提案する。
  論文  参考訳（メタデータ） (2022-12-01T20:15:15Z)
• Deep Autoregressive Models with Spectral Attention [74.08846528440024]
  本稿では,深部自己回帰モデルとスペクトル注意(SA)モジュールを組み合わせた予測アーキテクチャを提案する。 時系列の埋め込みをランダムなプロセスの発生としてスペクトル領域に特徴付けることにより,グローバルな傾向と季節パターンを同定することができる。 時系列に対するグローバルとローカルの2つのスペクトルアテンションモデルは、この情報を予測の中に統合し、スペクトルフィルタリングを行い、時系列のノイズを除去する。
  論文  参考訳（メタデータ） (2021-07-13T11:08:47Z)

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。