論文の概要: Learning Coverage- and Power-Optimal Transmitter Placement from Building Maps: A Comparative Study of Direct and Indirect Neural Approaches

• arxiv url: http://arxiv.org/abs/2604.22056v1
• Date: Thu, 23 Apr 2026 20:22:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-27 15:36:26.260549
• Title: Learning Coverage- and Power-Optimal Transmitter Placement from Building Maps: A Comparative Study of Direct and Indirect Neural Approaches
• Title（参考訳）: 建物地図からの被覆と電力の最適配置の学習:直接的および間接的ニューラルアプローチの比較研究
• Authors: Çağkan Yapar,
• Abstract要約: 本稿では,1画素当たりの総合的な評価が継続できる固定学習伝播サロゲート下での単一送信機設定について検討する。 我々は,2つのサロゲート・エクササイズラベルを持つ167,525の都市シナリオのデータセットを紹介した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Optimal wireless transmitter placement is a central task in radio-network planning, yet exhaustive search becomes prohibitively expensive at scale. This paper studies the single-transmitter setting under a fixed learned propagation surrogate, where exhaustive per-pixel evaluation remains tractable and provides surrogate-exact ground truth. We introduce a dataset of 167,525 urban scenarios (RadioMapSeer-Deployment) with dual surrogate-exact labels for coverage-optimal and power-optimal transmitter locations. Ground-truth analysis reveals an asymmetric coverage-power trade-off: coverage-optimal placement sacrifices 13.86% of received power, whereas power-optimal placement sacrifices only 5.50% of coverage; the best achievable balanced placement lies at $\bar{d}=2.60$ from the ideal point (100%,100%). We evaluate two learning formulations: indirect heatmap-based models that predict received-power radio maps, and direct score-map models that predict the objective landscape over feasible transmitter locations. Within the heatmap family, discriminative models deliver one-shot predictions 1350-2400x faster than exhaustive search, while diffusion models additionally support multi-sample inference that improves single-objective performance and, by reusing the same sample pool under a balanced criterion, recovers strong balanced placements without explicit multi-objective training. Dual score-map strategies combining power and coverage score maps match the exhaustive balanced optimum ($\bar{d}=2.60$) and remain close across smaller candidate budgets, at 14-22x speedups after candidate re-evaluation. Both formulations admit very fast one-shot inference; on this benchmark, dual score-map methods are strongest for balanced placement, whereas heatmap formulations remain attractive for their physically meaningful intermediate maps and, in the diffusion setting, for inference-time search.
• Abstract（参考訳）: 無線送信機配置は、無線ネットワーク計画において中心的な課題であるが、網羅的な探索は大規模では違法に高価になる。 本稿では,1画素あたりの総括的な評価を継続し,サロゲート・エクササイズ・グラウンドの真理を提供する固定学習伝播サロゲートの下での単一送信機設定について検討する。 我々は,2つのサロゲート・エクササイズラベルを持つ167,525の都市シナリオ(RadioMapSeer-Deployment)のデータセットを紹介した。 カバー・最適配置は13.86%の受信電力を犠牲にし、パワー・最適配置は5.50%のカバーを犠牲にしている。 本研究では,受信電力無線マップを推定する間接熱マップモデルと,送信機位置の客観的な景観を推定する直接スコアマップモデルとの2つの学習形式を評価する。 熱マップファミリー内では、判別モデルは、徹底的な探索よりも1ショットの予測1350-2400倍速く、拡散モデルは、単目的性能を改善するマルチサンプル推論をサポートし、バランスの取れた基準の下で同じサンプルプールを再利用することにより、明示的な多目的トレーニングなしで強いバランスの取れた配置を回復する。 パワーとカバレッジのスコアマップを組み合わせた2つのスコアマップ戦略は、最終的なバランスの取れた最適値($2.60$)と一致し、候補の再評価後の14-22倍のスピードアップで、より小さな候補予算に近づいたままである。 このベンチマークでは、二重スコアマップ法はバランスの取れた配置において最強であるが、ヒートマップ定式化は、物理的に意味のある中間写像や拡散条件において、推論時探索において魅力的である。

関連論文リスト

• Bayesian Optimization with Gaussian Processes to Accelerate Stationary Point Searches [0.0]
  本稿では,最小化,単点サドル探索,ダブルエンドサドル探索を統一した6ステップサロゲートループによるベイズ最適化手法を提案する。 このフレームワークは、微分観測、逆距離カーネル、アクティブラーニングによるガウス過程の回帰を用いている。 Rustのコードは、すべてのアプリケーションが全く同じベイズ最適化ループを使用しており、理論的な定式化と実践的な実行のギャップを埋めていることを示している。
  論文  参考訳（メタデータ） (2026-03-11T17:20:28Z)
• ProAct: Agentic Lookahead in Interactive Environments [56.50613398808361]
  ProActは、2段階のトレーニングパラダイムを通じて、エージェントが正確なルックアヘッド推論を内部化することを可能にするフレームワークである。 そこでは,環境に基づく探索から得られたトラジェクトリの微調整をエージェントが行うGLAD(Grounded LookAhead Distillation)を紹介する。 また,政策段階のアルゴリズムを改良する補助値推定器であるモンテカルロ批判(MC-Critic)を提案する。
  論文  参考訳（メタデータ） (2026-02-05T05:45:16Z)
• Information-Theoretic Multi-Model Fusion for Target-Oriented Adaptive Sampling in Materials Design [11.787453207532812]
  限られた評価予算の下での目標指向の発見には、高次元の不均一な設計空間における信頼性の高い進歩が必要である。 本稿では,目標指向適応サンプリングのための情報理論フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-03T09:47:13Z)
• Semi-Supervised Deep Domain Adaptation for Predicting Solar Power Across Different Locations [0.0]
  本稿では,対象位置からのラベル付きデータを最小限の精度で予測できる半教師付き深層ドメイン適応フレームワークを提案する。 我々のアプローチでは、ソース位置のデータに基づいて深層畳み込みニューラルネットワークをトレーニングし、ソースのない教師学生モデル構成を使用してターゲット位置に適応する。 対象ドメインに20 %のデータしかなかったアノテーションにより、我々のアプローチは、目標ドメインとしてカリフォルニア、フロリダ、ニューヨークに対して、11.36 %$、65 %$、4.92%$に改善されている。
  論文  参考訳（メタデータ） (2025-08-06T07:45:35Z)
• Sobolev Training of End-to-End Optimization Proxies [14.076978703913605]
  本研究は,ソボレフ訓練パラダイムを用いて,問題解決者の感性から終末プロキシへの統合について検討する。 ソボレフのトレーニングでは、誤差を最大56%減らし、最悪のケースは最大400%減った。 ラベル付きソリューションを使わずにトレーニングされた平均分散ポートフォリオタスクに対して、自己監督型ソボレフトレーニングは、中リスク領域における平均最適性ギャップを半減する。
  論文  参考訳（メタデータ） (2025-05-16T15:10:01Z)
• Robust Representation Consistency Model via Contrastive Denoising [83.47584074390842]
  ランダムな平滑化は、敵の摂動に対する堅牢性を証明する理論的保証を提供する。 拡散モデルは、ノイズ摂動サンプルを浄化するためにランダムな平滑化に成功している。 我々は,画素空間における拡散軌跡に沿った生成的モデリングタスクを,潜在空間における識別的タスクとして再構成する。
  論文  参考訳（メタデータ） (2025-01-22T18:52:06Z)
• Less is More: Fewer Interpretable Region via Submodular Subset Selection [54.07758302264416]
  本稿では,上述の画像帰属問題を部分モジュラ部分選択問題として再モデル化する。 我々は、より正確な小さな解釈領域を発見するために、新しい部分モジュラー関数を構築する。 正しく予測されたサンプルに対しては,HSIC-Attributionに対する平均4.9%と2.5%の利得で,Deletion and Insertionスコアを改善した。
  論文  参考訳（メタデータ） (2024-02-14T13:30:02Z)
• Unbalanced Optimal Transport: A Unified Framework for Object Detection [97.74382560746987]
  不均衡最適輸送がオブジェクト検出に対する異なるアプローチをどのように統合するかを示す。 非平衡最適輸送を用いた物体検出モデルの訓練が最先端に到達可能であることを示す。 このアプローチはGPUの実装に適しており、大規模なモデルに有利であることが証明されている。
  論文  参考訳（メタデータ） (2023-07-05T16:21:52Z)
• Rates of Estimation of Optimal Transport Maps using Plug-in Estimators via Barycentric Projections [0.0]
  偏心射影によって定義される一般プラグイン推定器の収束率を包括的に解析する。 我々の主な貢献は、最小の滑らかさ仮定の下で進行するバリ中心射影の新しい安定性推定である。 本稿では, 自然離散離散分布および半離散分布推定器の収束率を算出し, この安定度推定の有用性について述べる。
  論文  参考訳（メタデータ） (2021-07-04T19:50:20Z)

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。