論文の概要: LWM-CDE: A Representation Space for Wireless Data Reasoning and Transferability

• arxiv url: http://arxiv.org/abs/2605.24077v1
• Date: Fri, 22 May 2026 17:09:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:17.58095
• Title: LWM-CDE: A Representation Space for Wireless Data Reasoning and Transferability
• Title（参考訳）: LWM-CDE:無線データ推論と転送性のための表現空間
• Authors: Sadjad Alikhani, Akshay Malhotra, Shahab Hamidi-Rad, Ahmed Alkhateeb,
• Abstract要約: 予め訓練された無線基礎モデルの特徴空間上に構築されたデータセット類似性フレームワークを提案する。 我々の手法であるLWM-CDEは、対比と幾何形状の損失を組み合わせた基礎モデルのデータセット埋め込みを微調整する。 無線ベンチマーク実験により、LWM-CDEは既存の指標よりも経験的転送性能と強い相関が得られた。
• 参考スコア（独自算出の注目度）: 15.963908827464302
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Machine learning deployments in real-world wireless communication tasks face significant generalization challenges due to location and environment-specific signal structure, high diversity in data across different deployments, and limited availability of real-world data. Current approaches for assessing data similarity between training and inference (deployment) distributions, as well as evaluating model transferability, suffer from high computational costs and inconsistent performance, leaving critical model deployment and model life cycle management decisions without a principled foundation. To address this, we introduce a dataset similarity framework built upon the feature space of a pretrained wireless foundation model. Our method, LWM-CDE (Contrastive learning of Dataset Embedding), fine-tunes the dataset embeddings of the foundation model using a combination of contrastive and geometry-shaping losses, creating a structured manifold where distance reliably indicates transferability. Extensive experiments on wireless benchmarks show that LWM-CDE achieves stronger correlation with empirical transfer performance than existing metrics while being more computationally efficient. The learned representation space supports more effective and data-efficient decision-making for tasks like source dataset selection, label-aware augmentation, and budgeted pretraining, demonstrating its broader utility across different wireless communication applications.
• Abstract（参考訳）: 実世界の無線通信タスクにおける機械学習のデプロイメントは、位置と環境固有の信号構造、異なるデプロイメント間でのデータの多様性の高さ、実世界のデータの可用性の制限による、重要な一般化の課題に直面している。 トレーニングと推論(デプロイメント)分布間のデータ類似性を評価するための現在のアプローチは、モデル転送可能性を評価するだけでなく、高い計算コストと一貫性のないパフォーマンスに悩まされ、重要なモデル展開とモデルライフサイクル管理の決定を原則的基礎なしに残している。 これを解決するために,事前訓練された無線基礎モデルの特徴空間上に構築されたデータセット類似性フレームワークを提案する。 我々の手法であるLWM-CDE (Contrastive Learning of Dataset Embedding) は、コントラストと幾何形状の損失を組み合わせた基礎モデルのデータセット埋め込みを微調整し、距離が転写可能性を示す構造多様体を作成する。 無線ベンチマークによる大規模な実験により,LWM-CDEは既存の測定値よりも計算効率が高く,経験的転送性能と強い相関が得られた。 学習された表現空間は、ソースデータセットの選択、ラベル認識の強化、予算付き事前トレーニングといったタスクに対して、より効率的でデータ効率のよい意思決定をサポートし、さまざまな無線通信アプリケーションにまたがるその広範な有用性を実証している。

関連論文リスト

• Prioritizing Gradient Sign Over Modulus: An Importance-Aware Framework for Wireless Federated Learning [72.18619424901249]
  Sign-Prioritized FL (SP-FL) は、不均一なリソース割り当てを通じて重要な勾配情報の送信を優先するフレームワークである。 本稿では,Newton-Raphson 法と逐次凸近似 (SCA) を用いて,この問題を解決するための交互最適化アルゴリズムを提案する。 シミュレーションの結果,特に資源制約シナリオにおけるSP-FLの優位性が確認された。
  論文  参考訳（メタデータ） (2026-03-11T13:41:02Z)
• Wireless Dataset Similarity: Measuring Distances in Supervised and Unsupervised Machine Learning [15.036550722400085]
  本稿では,無線データセット間の類似度を測定するためのタスク・アンド・モデル対応フレームワークを提案する。 データセットの選択/拡張、シミュレーション・トゥ・リアル(sim2real)比較、新しいデプロイメントへのモデルトレーニング/適応に関する決定などのアプリケーションを可能にする。
  論文  参考訳（メタデータ） (2026-01-03T01:15:27Z)
• Cross-Learning from Scarce Data via Multi-Task Constrained Optimization [70.90607489166648]
  本稿では,データ不足を克服するマルチタスク・エンフクロス学習フレームワークを提案する。 我々はこの結合推定を制約付き最適化問題として定式化する。 本研究では, 画像分類や伝染病の伝播を含む実データを用いて, クロスラーニング手法の有効性を示す。
  論文  参考訳（メタデータ） (2025-11-17T18:35:59Z)
• Deep Semantic Inference over the Air: An Efficient Task-Oriented Communication System [8.459189717032647]
  分類性能,計算遅延,通信コストを共同で検討する深層学習型タスク指向コミュニケーションフレームワークについて検討する。 我々はResNetsベースのモデルを採用し、それをCIFAR-10およびCIFAR-100データセット上で評価し、無線環境における現実世界の分類タスクをシミュレートする。 適切なモデル分割と意味的特徴圧縮により、システムは85%以上のベースライン精度を維持しながら、計算負荷と通信オーバーヘッドを著しく削減できる。
  論文  参考訳（メタデータ） (2025-08-18T09:18:07Z)
• Spatial-Temporal-Spectral Unified Modeling for Remote Sensing Dense Prediction [20.1863553357121]
  リモートセンシングのための現在のディープラーニングアーキテクチャは、基本的に堅固である。 本稿では,統合モデリングのための空間時間スペクトル統一ネットワーク(STSUN)について紹介する。 STSUNは任意の空間サイズ、時間長、スペクトル帯域で入力および出力データに適応することができる。 様々な密集した予測タスクと多様な意味クラス予測を統一する。
  論文  参考訳（メタデータ） (2025-05-18T07:39:17Z)
• Learning from Reward-Free Offline Data: A Case for Planning with Latent Dynamics Models [79.2162092822111]
  我々は,一連のナビゲーションタスクにおいて,強化学習(RL)と制御に基づく手法を体系的に評価する。 我々は、JEPA(Joint Embedding Predictive Architecture)を使用して、潜在ダイナミクスモデルを使用し、それを計画に使用します。 その結果,モデルベースプランニングではレイアウトが不明瞭になるのに対して,モデルフリーのRLは高品質なデータから恩恵を受けることがわかった。
  論文  参考訳（メタデータ） (2025-02-20T18:39:41Z)
• DynamicFL: Federated Learning with Dynamic Communication Resource Allocation [34.97472382870816]
  Federated Learning(FL)は、複数のユーザがローカルデータを使ってモデルを分散的にトレーニングできる、協調的な機械学習フレームワークである。 我々は,グローバルモデルの性能と通信コストのトレードオフを調査する新しいFLフレームワークであるDynamicFLを紹介する。 モデル精度は最大10%向上し,DynamicFLは最先端の手法を超越していることを示す。
  論文  参考訳（メタデータ） (2024-09-08T05:53:32Z)
• Improving Transferability for Cross-domain Trajectory Prediction via Neural Stochastic Differential Equation [41.09061877498741]
  外部要因とデータ取得戦略によるデータセット間での相違がある。 大規模データセットでトレーニングされたモデルの熟練した性能は、他の小規模データセットでの転送可能性に制限がある。 本稿では,ニューラル微分方程式(NSDE)の連続的利用に基づく不一致の緩和手法を提案する。 提案手法の有効性は,一般的なベンチマークデータセットであるnuScenes,Argoverse,Lyft,InterinterAction,Open Motionデータセット上で,最先端の軌道予測モデルに対して検証される。
  論文  参考訳（メタデータ） (2023-12-26T06:50:29Z)
• Analysis and Optimization of Wireless Federated Learning with Data Heterogeneity [72.85248553787538]
  本稿では、データの不均一性を考慮した無線FLの性能解析と最適化と、無線リソース割り当てについて述べる。 ロス関数の最小化問題を、長期エネルギー消費と遅延の制約の下で定式化し、クライアントスケジューリング、リソース割り当て、ローカルトレーニングエポック数(CRE)を共同で最適化する。 実世界のデータセットの実験により、提案アルゴリズムは学習精度とエネルギー消費の点で他のベンチマークよりも優れていることが示された。
  論文  参考訳（メタデータ） (2023-08-04T04:18:01Z)
• Dynamic Federated Learning [57.14673504239551]
  フェデレートラーニング(Federated Learning)は、マルチエージェント環境における集中的なコーディネーション戦略の包括的用語として登場した。 我々は、各イテレーションにおいて、利用可能なエージェントのランダムなサブセットがそのデータに基づいてローカル更新を実行する、フェデレートされた学習モデルを考える。 集約最適化問題に対する真の最小化器上の非定常ランダムウォークモデルの下で、アーキテクチャの性能は、各エージェントにおけるデータ変動率、各エージェントにおけるモデル変動率、アルゴリズムの学習率に逆比例する追跡項の3つの要因によって決定されることを示す。
  論文  参考訳（メタデータ） (2020-02-20T15:00:54Z)

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。