論文の概要: Machine-Learning-Based Classification of Radio Frequency Building Loss

• arxiv url: http://arxiv.org/abs/2604.24143v1
• Date: Mon, 27 Apr 2026 07:55:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 17:12:07.79476
• Title: Machine-Learning-Based Classification of Radio Frequency Building Loss
• Title（参考訳）: 機械学習による無線周波数建物損失の分類
• Authors: Jiayi Tan, Neelabhro Roy, James Gross, Rohit Chandra, Tsao-Tsen Chen,
• Abstract要約: 本研究では,無線周波数(RF)ビルの損失を分類する機械学習フレームワークを提案する。 このフレームワークは受動的に収集され、クラウドソースされたユーザー機器(UE)データと公共ビルディング情報を組み合わせる。 SLのみの推論と比較して、提案されたSLとSSLフレームワークは予測精度と信頼性の両方を改善した。
• 参考スコア（独自算出の注目度）: 3.8042363526222207
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Accurate modeling of outdoor-to-indoor (O2I) and indoor-to-indoor (I2I) signal loss is important for improving indoor wireless network performance in dense urban areas. Traditional on-site measurements are expensive, time-consuming, and difficult to conduct across wide regions. Real-world datasets also tend to be noisy and imbalanced, which makes signal loss prediction challenging. This study presents a machine learning framework for classifying radio frequency (RF) building loss. The framework combines passively collected, crowdsourced user equipment (UE) data from 3GPP-compliant networks with public building information. We evaluated Random Forest, XGBoost, LightGBM, and a voting classifier using both supervised (SL) and semi-supervised learning (SSL). Compared to SL-only inference, the proposed SL and SSL framework improved both prediction accuracy and confidence under identical data constraints, achieving up to 12.6% relative accuracy gain for O2I loss and 3.4% for I2I loss, while reducing prediction entropy by up to 8.4%. Among the evaluated models, SSL XGBoost provided the most confident O2I loss classification, whereas SSL LightGBM achieved the best performance for I2I loss. These results demonstrate that the proposed approach provides a practical, data-driven alternative to traditional models, with promising potential to support better network planning and indoor coverage optimization.
• Abstract（参考訳）: 都市部における屋内無線ネットワークの性能向上には,屋外から屋内へのO2Iと屋内へのI2I信号損失の正確なモデリングが重要である。 伝統的な現場での計測は高価であり、時間がかかり、広範囲にわたって行うのが困難である。 実世界のデータセットもノイズが多く不均衡な傾向にあり、信号損失予測が困難である。 本研究では,無線周波数(RF)ビルの損失を分類する機械学習フレームワークを提案する。 このフレームワークは、受動的に収集された3GPP対応ネットワークからクラウドソースされたユーザ機器(UE)データと公共ビルディング情報を組み合わせる。 我々は、ランダムフォレスト、XGBoost、LightGBM、投票分類器を、教師付き学習(SL)と半教師付き学習(SSL)の両方を用いて評価した。 SLのみの推論と比較して、提案されたSLとSSLフレームワークは、同一データ制約下での予測精度と信頼性を改善し、O2I損失の12.6%、I2I損失の3.4%を達成し、予測エントロピーを最大8.4%削減した。 評価されたモデルの中で、SSL XGBoostは最も信頼性の高いO2I損失分類を提供し、SSL LightGBMはI2I損失に対して最高のパフォーマンスを達成した。 これらの結果は,提案手法が従来のモデルに代えて実践的でデータ駆動的な代替手段を提供することを示す。

関連論文リスト

• Human-Centered Explainable AI for Security Enhancement: A Deep Intrusion Detection Framework [0.0]
  本稿では,深層学習モデルの透明性を高めるために,説明可能な人工知能(XAI)を統合した新しいIDSフレームワークを提案する。 このフレームワークはベンチマークデータセットNSL-KDDを用いて実験的に評価され、従来のIDSやブラックボックス深層学習モデルと比較して優れた性能を示した。
  論文  参考訳（メタデータ） (2026-02-04T20:33:27Z)
• Consolidation or Adaptation? PRISM: Disentangling SFT and RL Data via Gradient Concentration [56.074760766965085]
  PRISMは、モデルの既存の知識との認知的対立度に基づいてデータを調停する動的認識フレームワークを実現する。 この結果から,内部最適化方式に基づくデータ分離が,スケーラブルでロバストなエージェントアライメントに不可欠であることが示唆された。
  論文  参考訳（メタデータ） (2026-01-12T05:43:20Z)
• NAIPv2: Debiased Pairwise Learning for Efficient Paper Quality Estimation [58.30936615525824]
  本稿では,紙の品質評価のための非バイアスで効率的なフレームワークであるNAIPv2を提案する。 NAIPv2は、レビューアレーティングの不整合を低減するために、ドメイン年グループ内でペアワイズ学習を採用している。 これはペアワイズ比較に基づいてトレーニングされるが、デプロイ時に効率的なポイントワイズ予測を可能にする。
  論文  参考訳（メタデータ） (2025-09-29T17:59:23Z)
• Benchmarking Federated Learning for Throughput Prediction in 5G Live Streaming Applications [5.026196568145574]
  本稿では,現実的な5Gエッジシナリオにおけるスループット予測のためのフェデレーション学習戦略の総合的なベンチマークを行う。 FedBNは、非IID条件下で一貫してロバストな性能を提供する。 LSTMとTransformerモデルは、CNNベースのベースラインを最大80%のR2スコアで上回る。
  論文  参考訳（メタデータ） (2025-08-11T21:27:40Z)
• Federated Latent Factor Learning for Recovering Wireless Sensor Networks Signal with Privacy-Preserving [8.06377330950344]
  無線センサネットワーク(英: Wireless Sensor Networks、WSN)は、インテリジェントセンシング分野における最先端のドメインである。 センサの故障と省エネ戦略のため、収集されたデータには大量のデータがないことが多く、その後の分析や意思決定を妨げている。 本稿では,FLFL-SSRという,FLFLに基づく空間信号回復モデルを提案する。 1) センサレベルのフェデレーション学習フレームワークを設計し,各センサが生データではなく更新のみをアップロードしてグローバルモデルを最適化し,2) 局所的な空間共有戦略を提案する。
  論文  参考訳（メタデータ） (2025-04-22T02:01:19Z)
• VAE-based Feature Disentanglement for Data Augmentation and Compression in Generalized GNSS Interference Classification [42.14439854721613]
  干渉の正確な分類を可能にする重要な潜伏特徴を抽出するために, アンタングル化のための変分オートエンコーダ (VAE) を提案する。 提案するVAEは512から8,192の範囲のデータ圧縮率を実現し,99.92%の精度を実現している。
  論文  参考訳（メタデータ） (2025-04-14T13:38:00Z)
• R-SFLLM: Jamming Resilient Framework for Split Federated Learning with Large Language Models [65.04475956174959]
  Split Federated Learning (SFL)は、分散機械学習(ML)における計算効率のパラダイムである。 SFLにおける重要な課題は、特に無線チャネル上に展開する場合、送信されたモデルパラメータの敵ジャミングに対する感受性である。 本稿では,無線ネットワーク上での大規模言語モデル (LLM) と視覚言語モデル (VLM) を用いたレジリエンスSFLのための物理層フレームワークを開発する。
  論文  参考訳（メタデータ） (2024-07-16T12:21:29Z)
• Semi-Federated Learning: Convergence Analysis and Optimization of A Hybrid Learning Framework [70.83511997272457]
  本稿では,ベースステーション(BS)とデバイスの両方を活用するセミフェデレーション学習(SemiFL)パラダイムを提案し,中央集権学習(CL)とFLのハイブリッド実装を提案する。 我々はこの難解な問題を解くための2段階のアルゴリズムを提案し、ビームフォーマに閉形式解を提供する。
  論文  参考訳（メタデータ） (2023-10-04T03:32:39Z)
• Detecting train driveshaft damages using accelerometer signals and Differential Convolutional Neural Networks [67.60224656603823]
  本稿では,高度2次元畳み込みニューラルネットワーク(CNN)アーキテクチャに基づく鉄道軸状態監視システムの開発を提案する。 その結果,鉄道軸受振動信号を時間周波数領域表現,すなわち分光図に変換し,そのひび割れに応じて2次元CNNを訓練する。
  論文  参考訳（メタデータ） (2022-11-15T15:04:06Z)
• Deep Reinforcement Learning Assisted Federated Learning Algorithm for Data Management of IIoT [82.33080550378068]
  産業用IoT(Industrial Internet of Things)の継続的な拡大により、IIoT機器は毎回大量のユーザデータを生成する。 IIoTの分野で、これらの時系列データを効率的かつ安全な方法で管理する方法は、依然として未解決の問題である。 本稿では,無線ネットワーク環境におけるIIoT機器データ管理におけるFL技術の適用について検討する。
  論文  参考訳（メタデータ） (2022-02-03T07:12:36Z)

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。