論文の概要: Digital Twin-Assisted Measurement Design and Channel Statistics Prediction

• arxiv url: http://arxiv.org/abs/2603.23787v1
• Date: Tue, 24 Mar 2026 23:43:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-26 21:06:11.057719
• Title: Digital Twin-Assisted Measurement Design and Channel Statistics Prediction
• Title（参考訳）: ディジタルツインアシスト計測設計とチャネル統計予測
• Authors: Robin J. Williams, Mahmoud Saad Abouamer, Petar Popovski,
• Abstract要約: 本研究は,オープンソースマップから導出される未校正DTを利用して,GP予測のための幾何学的事前情報を抽出するハイブリッドチャネル予測フレームワークを提案する。 提案手法は,測定オーバーヘッドを低減し,予測精度を向上し,資源効率の高い無線チャネル予測のための実践的なアプローチを確立する。
• 参考スコア（独自算出の注目度）: 38.5726581069701
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Prediction of wireless channels and their statistics is a fundamental procedure for ensuring performance guarantees in wireless systems. Statistical radio maps powered by Gaussian processes (GPs) offer flexible, non-parametric frameworks, but their performance depends critically on the choice of mean and covariance functions. These are typically learned from dense measurements without exploiting environmental geometry. Digital twins (DTs) of wireless environments leverage computational power to incorporate geometric information; however, they require costly calibration to accurately capture material and propagation characteristics. This work introduces a hybrid channel prediction framework that leverages uncalibrated DTs derived from open-source maps to extract geometry-induced prior information for GP prediction. These structural priors are fused with a small number of channel measurements, enabling data-efficient prediction of channel statistics across the entire environment. By exploiting the uncertainty quantification inherent to GPs, the framework supports principled measurement selection by identifying informative probing locations under resource constraints. Through this integration of imperfect DTs with statistical learning, the proposed method reduces measurement overhead, improves prediction accuracy, and establishes a practical approach for resource-efficient wireless channel prediction.
• Abstract（参考訳）: 無線チャネルとその統計の予測は、無線システムの性能保証を保証するための基本的な手順である。 ガウス過程(GP)を利用した統計ラジオマップは、フレキシブルで非パラメトリックなフレームワークを提供するが、その性能は平均関数と共分散関数の選択に大きく依存する。 これらは通常、環境幾何学を使わずに密度の高い測定から学習される。 無線環境のディジタルツイン(DT)は、幾何学的情報を組み込むために計算力を利用するが、物質や伝播特性を正確に捉えるには高価な校正が必要である。 本研究は,オープンソースマップから導出される未校正DTを利用して,GP予測のための幾何学的事前情報を抽出するハイブリッドチャネル予測フレームワークを提案する。 これらの構造的前提は、少数のチャネル測定と融合し、環境全体にわたるチャネル統計のデータ効率の予測を可能にする。 GPに固有の不確実性定量化を活用することにより、このフレームワークは、リソース制約の下で情報的探索位置を特定することによって、原則化された測定選択をサポートする。 この不完全なDTと統計的学習の統合により,提案手法は測定オーバーヘッドを低減し,予測精度を向上し,資源効率の高い無線チャネル予測のための実用的なアプローチを確立する。

関連論文リスト

• Why Channel-Centric Models are not Enough to Predict End-to-End Performance in Private 5G: A Measurement Campaign and Case Study [0.0]
  通信対応ロボット計画には,無線ネットワーク性能の正確な予測が必要である。 現在のアプローチは、受信信号強度や信号対雑音比といったチャネルレベルの指標に依存している。 我々は,民間の5G産業環境における計測キャンペーンを通じて,この仮定に挑戦する。
  論文  参考訳（メタデータ） (2026-03-09T19:27:00Z)
• RSS map-assisted MIMO channel estimation in the upper mid-band under pilot constraints [10.076629346147639]
  本稿では,モデルに基づくチャネル推定とディープネットワークを組み合わせた新しい物理インフォームドニューラルネットワーク(PINN)フレームワークを提案する。 最先端の手法と比較して、NMSEでは5dB以上のゲインを達成している。 多段階の時間予測のためにデコーダを拡張し、単一の推定値から将来の複数のチャネルスナップショットの正確な予測を可能にする。
  論文  参考訳（メタデータ） (2026-02-18T17:41:20Z)
• Conformal Prediction for Multi-Source Detection on a Network [59.17729745907474]
  マルチソース検出問題について検討する。 グラフ上のノード感染状況のスナップショットが与えられた場合、伝播を開始するソースノードのセットを推定する。 本稿では,ソースセット検出のための統計的に有効なリコール保証を提供する新しいコンフォメーション予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-12T01:09:56Z)
• Environmental Feature Engineering and Statistical Validation for ML-Based Path Loss Prediction [0.0]
  無線通信は経路損失モデリングに依存しており、伝搬環境の物理的詳細を含む場合に最も効果的である。 このような詳細へのアクセスにより、伝搬モデルはより正確にカバレッジを予測し、無線デプロイメントにおける干渉を説明できる。 本稿では,厳密な統計的評価とテストセットのホールドアウトによるモデル一般化の証明をしながら,予測精度を向上させる機能拡張を導入する。
  論文  参考訳（メタデータ） (2025-01-14T18:44:35Z)
• Towards Precision in Bolted Joint Design: A Preliminary Machine Learning-Based Parameter Prediction [0.0]
  ボルト接合部は、構造的整合性と信頼性を維持するために工学的に重要である。 従来の方法では、ボルト付きジョイントの非線形挙動を捉えることができないことが多い。 本研究では、負荷容量と摩擦係数を予測するために、経験的データとフィードフォワードニューラルネットワークを組み合わせる。
  論文  参考訳（メタデータ） (2024-12-11T11:00:39Z)
• Learning Radio Environments by Differentiable Ray Tracing [56.40113938833999]
  本稿では, 材料特性, 散乱, アンテナパターンの微分パラメトリゼーションによって補う, 勾配式キャリブレーション法を提案する。 提案手法は,MIMO(分散マルチインプットマルチインプット・マルチアウトプット・チャネル・サウンドア)を用いて,合成データと実世界の屋内チャネル計測の両方を用いて検証した。
  論文  参考訳（メタデータ） (2023-11-30T13:50:21Z)
• Uncertainty-guided Source-free Domain Adaptation [77.3844160723014]
  ソースフリードメイン適応(SFDA)は、事前訓練されたソースモデルのみを使用することで、未ラベルのターゲットデータセットに分類器を適応させることを目的としている。 本稿では、ソースモデル予測の不確実性を定量化し、ターゲット適応の導出に利用することを提案する。
  論文  参考訳（メタデータ） (2022-08-16T08:03:30Z)
• NUQ: Nonparametric Uncertainty Quantification for Deterministic Neural Networks [151.03112356092575]
  本研究では,Nadaraya-Watson の条件付きラベル分布の非パラメトリック推定に基づく分類器の予測の不確かさの測定方法を示す。 種々の実世界の画像データセットにおける不確実性推定タスクにおいて,本手法の強い性能を示す。
  論文  参考訳（メタデータ） (2022-02-07T12:30:45Z)
• Distribution Approximation and Statistical Estimation Guarantees of Generative Adversarial Networks [82.61546580149427]
  GAN(Generative Adversarial Networks)は教師なし学習において大きな成功を収めている。 本稿では,H'older空間における密度データ分布推定のためのGANの近似と統計的保証を提供する。
  論文  参考訳（メタデータ） (2020-02-10T16:47:57Z)

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。