論文の概要: Adaptive Learning Strategies for AoA-Based Outdoor Localization: A Comprehensive Framework
- arxiv url: http://arxiv.org/abs/2605.05055v1
- Date: Wed, 06 May 2026 15:51:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-07 18:41:07.916305
- Title: Adaptive Learning Strategies for AoA-Based Outdoor Localization: A Comprehensive Framework
- Title（参考訳）: AoAに基づく屋外ローカライゼーションのための適応的学習方略:包括的フレームワーク
- Abstract要約: 本稿では,2つの代替学習戦略からなるAoAベースのローカライゼーションのための適応フレームワークを提案する。
提案するフレームワークは,実大規模多重出力(mMIMO)データセットを用いて評価する。
その結果,オンライン学習を活用することで,ネットワーク運用中に高い精度のロバストなローカライゼーションを実現することが可能であることが示唆された。
- 参考スコア（独自算出の注目度）: 4.445694723459059
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Localization in 5G and 6G networks is essential for important use cases such as intelligent transportation, smart factories, and smart cities. Although deep learning has enabled improving localization accuracy, depending on the deployment scenario and the effort required for dataset collection campaigns on a given infrastructure, the training process for localization models can vary significantly. Furthermore, with respect to feature selection, recent works have demonstrated the robustness of angle-of-arrival (AoA) based localization. In view of these two points, we propose an adaptive framework for AoA-based localization that consists of two alternative learning strategies, each suited either for large or small training datasets. The proposed framework is evaluated on a real, massive multiple input multiple output (mMIMO) orthogonal frequency division multiplexing (OFDM) outdoor channel state information (CSI) dataset. First, we investigate offline learning when large training datasets are available; we propose a hierarchical framework that first distinguishes between line of sight (LoS) and non line of sight (NLoS) regions and then moves to more fine grained localization in the respective region. This approach provides high-performance localization through accumulated batch retraining and an integrated hyperparameter optimization mechanism. Second, when only a small training dataset is available, an online learning framework is proposed, using incremental tree-based and ensemble-based models for handling streaming data and continuously updating mode, as well as an online few-shot learning model for rapidly initializing new classes from a limited labeled support set. These results showcase that highly accurate robust localization can be achieved incrementally during network operation by exploiting online learning, alleviating the need for large dataset collection campaigns.
- Abstract（参考訳）: 5Gおよび6Gネットワークのローカライゼーションは、インテリジェントトランスポート、スマートファクトリ、スマートシティといった重要なユースケースにとって不可欠である。
ディープラーニングはローカライゼーションの精度を向上させることができるが、デプロイメントシナリオや特定のインフラストラクチャ上でのデータセット収集キャンペーンに必要な労力によって、ローカライズモデルのトレーニングプロセスは大きく異なる可能性がある。
さらに,特徴選択に関して,近年の研究では,AoAに基づくアングル・オブ・アリーバル(AoA)のロバスト性を示す。
これら2点の観点から,大小の学習データセットに適合する2つの代替学習戦略からなる,AoAベースのローカライゼーションのための適応フレームワークを提案する。
提案手法は,屋外チャネル状態情報(CSI)データセットを用いて,実・大規模多重入力多重出力(mMIMO)直交周波数分割多重化(OFDM)を用いて評価する。
まず,大規模な学習データセットが利用可能である場合のオフライン学習について検討し,まず視線(LoS)と非視線(NLoS)を区別し,各領域のよりきめ細かい局所化に移行する階層的枠組みを提案する。
このアプローチは、蓄積されたバッチリトレーニングによる高性能なローカライゼーションと、統合されたハイパーパラメータ最適化機構を提供する。
第二に、小さなトレーニングデータセットしか利用できない場合、ストリーミングデータと継続的な更新モードを扱うインクリメンタルツリーベースおよびアンサンブルベースのモデルと、限定されたラベル付きサポートセットから新しいクラスを迅速に初期化するオンライン数ショット学習モデルを使用するオンライン学習フレームワークが提案されている。
これらの結果から,大規模なデータセット収集キャンペーンの必要性を軽減し,オンライン学習を活用することにより,ネットワーク運用中に高い精度でロバストなローカライゼーションを実現することが可能であることが示唆された。
関連論文リスト
- Cross-Sample Relational Fusion: Unifying Domain Generalization and Class-Incremental Learning [83.67663266193308]
CIL(Class-Incremental Learning)は、学習システムにおいて、それまでの知識を維持しつつ、新しいクラスを学ぶことを必要とする。
自動運転車のような現実のシナリオでは、晴れた日に都市部の道路で訓練されたシステムは、後に農村部や高速道路環境で運用する必要がある。
ドメインシフトと破滅的な忘れを同時に解決する統合フレームワークを提案する。
論文 参考訳（メタデータ） (2026-05-09T09:49:13Z) - Region-based Cluster Discrimination for Visual Representation Learning [30.79223671093668]
Region-Aware Cluster Discrimination (RICE)は、地域レベルの視覚とOCR機能を強化する新しい手法である。
RICEは、セグメンテーション、密集検知、視覚知覚など、タスクにおける従来の手法よりも一貫して優れている。
論文 参考訳（メタデータ） (2025-07-26T17:47:09Z) - LifelongPR: Lifelong point cloud place recognition based on sample replay and prompt learning [15.464706470200337]
本稿では,PCPRのための新しい連続学習フレームワークであるLifelongPRを提案する。
LifelongPRは、シーケンシャルポイントクラウドデータから知識を効果的に抽出し、融合する。
提案手法はmIR@1の6.50%,mR@1の7.96%,Fの8.95%削減を実現する。
論文 参考訳（メタデータ） (2025-07-14T08:13:33Z) - Large Wireless Localization Model (LWLM): A Foundation Model for Positioning in 6G Networks [26.30108656575931]
本稿では,無線位置決めに適したファンデーションモデルに基づくソリューションを提案する。
まず、異なる自己教師付き学習(SSL)タスクが汎用的およびタスク固有の意味的特徴をどのように獲得するかを分析する。
提案するLarge Wireless Localization Model (LWLM) の事前学習手法を設計する。
論文 参考訳（メタデータ） (2025-05-15T10:04:44Z) - Recognize Any Regions [55.76437190434433]
RegionSpotは、ローカライゼーション基盤モデルから位置認識ローカライゼーション知識と、ViLモデルからのセマンティック情報を統合する。
オープンワールドオブジェクト認識の実験では、私たちのRereaSpotは、以前の代替よりも大きなパフォーマンス向上を実現しています。
論文 参考訳（メタデータ） (2023-11-02T16:31:49Z) - Incremental Learning Meets Transfer Learning: Application to Multi-site
Prostate MRI Segmentation [16.50535949349874]
インクリメンタルトランスファー学習(ITL)と呼ばれる新しいマルチサイトセグメンテーションフレームワークを提案する。
ITLは、エンドツーエンドのシーケンシャルな方法で、マルチサイトデータセットからモデルを学習する。
ITLトレーニングスキームを活用することで、漸進的な学習における破滅的な問題を軽減できることを示す。
論文 参考訳（メタデータ） (2022-06-03T02:32:01Z) - Unified Instance and Knowledge Alignment Pretraining for Aspect-based
Sentiment Analysis [96.53859361560505]
Aspect-based Sentiment Analysis (ABSA) は、ある側面に対する感情の極性を決定することを目的としている。
事前トレーニングと下流ABSAデータセットの間には、常に深刻なドメインシフトが存在する。
我々は,バニラ・プレトレイン・ファインチューンパイプラインにアライメント事前訓練フレームワークを導入する。
論文 参考訳（メタデータ） (2021-10-26T04:03:45Z) - Clustered Federated Learning via Generalized Total Variation
Minimization [83.26141667853057]
本研究では,分散ネットワーク構造を持つローカルデータセットの局所的(あるいはパーソナライズされた)モデルを学習するための最適化手法について検討する。
我々の主要な概念的貢献は、総変動最小化(GTV)としてフェデレーション学習を定式化することである。
私たちのアルゴリズムの主な貢献は、完全に分散化されたフェデレーション学習アルゴリズムです。
論文 参考訳（メタデータ） (2021-05-26T18:07:19Z) - Edge-assisted Democratized Learning Towards Federated Analytics [67.44078999945722]
本稿では,エッジ支援型民主化学習機構であるEdge-DemLearnの階層的学習構造を示す。
また、Edge-DemLearnを柔軟なモデルトレーニングメカニズムとして検証し、リージョンに分散制御と集約の方法論を構築する。
論文 参考訳（メタデータ） (2020-12-01T11:46:03Z) - Hybrid Generative-Retrieval Transformers for Dialogue Domain Adaptation [77.62366712130196]
マルチドメイン MetaLWOz データセットに微調整した GPT-2 に基づくハイブリッド生成・検索モデル DSTC8 の高速領域適応タスクにおける入賞条件について述べる。
提案モデルでは,MetaLWOz上の解析論理をフォールバックとして使用し,人間の評価におけるSoTA(第2位システムよりも4%向上)と,未知のMultiWOZデータセットに適応した競合一般化性能を実現する。
論文 参考訳（メタデータ） (2020-03-03T18:07:42Z)
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。