論文の概要: (Weighted) Adaptive Radius Near Neighbor Search: Evaluation for WiFi Fingerprint-based Positioning

• arxiv url: http://arxiv.org/abs/2604.15940v1
• Date: Fri, 17 Apr 2026 10:59:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-20 22:00:19.881902
• Title: (Weighted) Adaptive Radius Near Neighbor Search: Evaluation for WiFi Fingerprint-based Positioning
• Title（参考訳）: (重み付き)隣接探索近傍の適応ラディウス:Wi-Fiフィンガープリントによる位置決めの評価
• Authors: Khang Le, Joaquín Torres-Sospedra, Philipp Müller,
• Abstract要約: 3つの手法を、広く使われている k Nearest Neighbors (kNN) 検索と比較する。 これら3つの手法は、回帰問題に対してkNNと12の変種と比較される。 このテストで最も優れた4つのメソッドのうち3つはWARNNバージョンであり、適応距離と重みを併用することで、kNNの変種と同等かそれ以上の性能が得られることを示している。
• 参考スコア（独自算出の注目度）: 1.5528985673662647
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Fixed Radius Near Neighbor (FRNN) search is an alternative to the widely used k Nearest Neighbors (kNN) search. Unlike kNN, FRNN determines a label or an estimate for a test sample based on all training samples within a predefined distance. While this approach is beneficial in certain scenarios, assuming a fixed maximum distance for all training samples can decrease the accuracy of the FRNN. Therefore, in this paper we propose the Adaptive Radius Near Neighbor (ARNN) and the Weighted ARNN (WARNN), which employ adaptive distances and in latter case weights. All three methods are compared to kNN and twelve of its variants for a regression problem, namely WiFi fingerprinting indoor positioning, using 22 different datasets to provide a comprehensive analysis. While the performances of the tested FRNN and ARNN versions were amongst the worse, three of the four best methods in the test were WARNN versions, indicating that using weights together with adaptive distances achieves performance comparable or even better than kNN variants.
• Abstract（参考訳）: Fixed Radius Near Neighbor (FRNN) 探索は、広く使われているk Nearest Neighbors (kNN) 探索の代替である。 kNNとは異なり、FRNNは事前に定義された距離内のすべてのトレーニングサンプルに基づいて、テストサンプルのラベルまたは見積もりを決定する。 このアプローチは特定のシナリオで有用であるが、すべてのトレーニングサンプルに対して一定の最大距離を仮定すると、FRNNの精度が低下する可能性がある。 そこで本稿では,適応的距離と後者の場合の重みを用いたARNN(Adaptive Radius Near Neighbor)とWARNN(Weighted ARNN)を提案する。 これら3つの手法はいずれもkNNと12の変種と比較され、回帰問題、すなわちWiFiフィンガープリント屋内位置決めにおいて、22の異なるデータセットを使用して包括的な分析を行う。 テストされたFRNN版とARNN版の性能は悪いが、このテストで最も優れた4つのメソッドのうち3つはWARNN版であり、重み付けと適応距離を併用することでkNN版と同等かそれ以上の性能が得られることを示している。

関連論文リスト

• Adaptive $k$-nearest neighbor classifier based on the local estimation of the shape operator [49.87315310656657]
  我々は, 局所曲率をサンプルで探索し, 周辺面積を適応的に定義する適応型$k$-nearest(kK$-NN)アルゴリズムを提案する。 多くの実世界のデータセットから、新しい$kK$-NNアルゴリズムは、確立された$k$-NN法と比較してバランスの取れた精度が優れていることが示されている。
  論文  参考訳（メタデータ） (2024-09-08T13:08:45Z)
• Shapley-Based Data Valuation with Mutual Information: A Key to Modified K-Nearest Neighbors [4.1498463236541605]
  Information-Modified KNN (IM-KNN) は、Mutual Information (I$) とShapley値を利用して、隣人に重み付けされた値を割り当てる新しいアプローチである。 IM-KNNは、12のベンチマークデータセットで、従来のKNNの精度、精度、リコールをそれぞれ16.80%、17.08%、16.98%改善している。
  論文  参考訳（メタデータ） (2023-12-04T16:10:34Z)
• A unified weighting framework for evaluating nearest neighbour classification [1.1470070927586018]
  従来型 (NN), ファジィ (FNN), ファジィ粗 (FRNN) の総合的および大規模評価を行った。 理論上最適なサムワース重みはカーネルに収束することを示す。 また, 距離とスケーリングの指標についても検討し, 相互に関連性を示す。
  論文  参考訳（メタデータ） (2023-11-28T15:24:02Z)
• Collaborative Learning with a Drone Orchestrator [79.75113006257872]
  インテリジェントな無線デバイス群は、ドローンの助けを借りて共有ニューラルネットワークモデルを訓練する。 提案したフレームワークは,トレーニングの大幅な高速化を実現し,ドローンホバリング時間の平均24%と87%の削減を実現している。
  論文  参考訳（メタデータ） (2023-03-03T23:46:25Z)
• DNNR: Differential Nearest Neighbors Regression [8.667550264279166]
  K-nearest neighbors(KNN)は、機械学習において最も早く、最も確立されたアルゴリズムの1つである。 回帰タスクでは、KNNは、多くの課題を引き起こす地区内のターゲットを平均化する。 両問題に同時に対処するDNNR(differial Nearest Neighbors Regression)を提案する。
  論文  参考訳（メタデータ） (2022-05-17T15:22:53Z)
• Adaptive Nearest Neighbor Machine Translation [60.97183408140499]
  kNN-MTは、事前訓練されたニューラルネットワーク翻訳とトークンレベルのk-nearest-neighbor検索を組み合わせる。 従来のkNNアルゴリズムは、ターゲットトークンごとに同じ数の近傍を検索する。 ターゲットトークン毎のk個数を動的に決定する適応的kNN-MTを提案する。
  論文  参考訳（メタデータ） (2021-05-27T09:27:42Z)
• A Biased Graph Neural Network Sampler with Near-Optimal Regret [57.70126763759996]
  グラフニューラルネットワーク(GNN)は、グラフおよびリレーショナルデータにディープネットワークアーキテクチャを適用する手段として登場した。 本論文では,既存の作業に基づいて,GNN近傍サンプリングをマルチアームバンディット問題として扱う。 そこで本研究では,分散を低減し,不安定かつ非限定的な支払いを回避すべく設計されたバイアスをある程度導入した報酬関数を提案する。
  論文  参考訳（メタデータ） (2021-03-01T15:55:58Z)
• Canny-VO: Visual Odometry with RGB-D Cameras based on Geometric 3D-2D Edge Alignment [85.32080531133799]
  本稿では,自由形式の曲線登録に関する古典的な問題をレビューし,効率的なrgbdビジュアルオドメトリシステムcanny-voに適用する。 エッジ登録でよく用いられる距離変換の代替として、近似近接近傍場と配向近接近傍場という2つの方法が提案されている。 3D2Dエッジアライメントは、効率性と精度の両方の観点から、これらの代替製剤の恩恵を受けます。
  論文  参考訳（メタデータ） (2020-12-15T11:42:17Z)
• Disp R-CNN: Stereo 3D Object Detection via Shape Prior Guided Instance Disparity Estimation [51.17232267143098]
  ステレオ画像から3次元物体を検出するための新しいシステムDisp R-CNNを提案する。 我々は、LiDAR点雲を必要とせずに、統計的形状モデルを用いて、密度の異なる擬似地下構造を生成する。 KITTIデータセットの実験によると、LiDARの基盤構造がトレーニング時に利用できない場合でも、Disp R-CNNは競争性能を達成し、平均精度で従来の最先端手法を20%上回っている。
  論文  参考訳（メタデータ） (2020-04-07T17:48:45Z)

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。