論文の概要: Bridging the Sampling Distribution Shift in Radio Map Estimation: A Trajectory-Aware Paradigm

• arxiv url: http://arxiv.org/abs/2605.28234v1
• Date: Wed, 27 May 2026 09:47:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-28 17:38:55.950164
• Title: Bridging the Sampling Distribution Shift in Radio Map Estimation: A Trajectory-Aware Paradigm
• Title（参考訳）: 無線地図推定におけるサンプリング分布シフトのブリッジ:軌道対応パラダイム
• Authors: Feng Qiu, Zheng Fang, Shuhang Zhang, Kangjun Liu, Longkun Zou, Jing Liu, Ke Chen,
• Abstract要約: 学習に基づく無線地図推定(RME)は、UAV支援無線センシングにおいて重要な役割を担い、カバレッジ予測やネットワーク最適化といったタスクを可能にする。 現在のほとんどの手法では、ランダムサンプリングに基づいて独立に同一に分散されたトレーニングとテストの設定を前提としている。 このミスマッチはサンプリング分布シフトを導入し、空間場回復の本質的な困難を増大させる。 そこで本研究では,Triggered Trajectory-Based (ST-TBS) に基づくトラジェクティブ・アウェア・トレーニング・パラダイムを提案する。
• 参考スコア（独自算出の注目度）: 19.549188944529753
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learning-based radio map estimation (RME) plays a critical role in UAV-assisted wireless sensing, enabling tasks such as coverage prediction and network optimization. Most current methods assume an independently and identically distributed (i.i.d.) training and testing setting based on random sampling. However, practical UAV measurements are collected sequentially along feasible trajectories, resulting in highly structured and spatially correlated patterns. This mismatch introduces a sampling distribution shift that increases the intrinsic difficulty of spatial field recovery and compromises the generalization of models trained under i.i.d. assumptions. To mitigate this issue, we propose a trajectory-aware training paradigm based on Stochastic-Triggered Trajectory-Based Sampling (ST-TBS), which preserves trajectory continuity while introducing sampling variability. Moreover, from a statistical perspective, we show that trajectory-based sampling reduces spatial diversity and increases information redundancy compared to random sampling. Extensive experiments on the RadioMapSeer and SpectrumNet datasets demonstrate that models trained with random sampling suffer significant performance degradation under trajectory-based observations, with RMSE increasing from 0.0391 to 0.2632 on SpectrumNet. Conversely, our proposed ST-TBS method effectively reduces the RMSE to 0.0571. These results highlight the necessity of aligning training and deployment sampling distributions for reliable RME.
• Abstract（参考訳）: 学習に基づく無線地図推定(RME)は、UAV支援無線センシングにおいて重要な役割を担い、カバレッジ予測やネットワーク最適化といったタスクを可能にする。 現在のほとんどの手法では、ランダムサンプリングに基づいて独立に同一に分散されたトレーニングとテストの設定を前提としている。 しかし、実際のUAV測定は、実現可能な軌道に沿って順次収集され、高度に構造化され、空間的に相関したパターンとなる。 このミスマッチはサンプリング分布シフトを導入し、空間場回復の本質的な困難を増大させ、i.d.仮定の下で訓練されたモデルの一般化を損なう。 この問題を軽減するため,Stochastic-Triggered Trajectory-Based Smpling (ST-TBS) に基づくトラジェクティブ・アウェア・トレーニング・パラダイムを提案する。 さらに, 統計的観点から, 軌道に基づくサンプリングは空間的多様性を低減し, ランダムサンプリングと比較して情報冗長性を増大させることを示した。 RadioMapSeerとSpectrumNetデータセットの大規模な実験では、ランダムサンプリングで訓練されたモデルが軌道に基づく観測で顕著な性能低下を被り、RMSEはSpectrumNetで0.0391から0.2632に増加した。 逆に,提案手法はRMSEを0.0571に効果的に削減する。 これらの結果は、信頼性の高いRMEのためのトレーニングとデプロイメントのサンプリング分布の整合性の必要性を浮き彫りにする。

関連論文リスト

• Tighnari v2: Mitigating Label Noise and Distribution Shift in Multimodal Plant Distribution Prediction via Mixture of Experts and Weakly Supervised Learning [4.888851550406879]
  Presence-Only (PO) データは広い空間範囲と豊富な分布を提供するが、負のサンプルではひどいラベルノイズに悩まされる。 本稿では,PAおよびPOデータの強度をフル活用したマルチモーダル融合フレームワークを提案する。 GeoLifeCLEF 2025の実験では,PAカバレッジが限定され,分散シフトが顕著なシナリオにおいて,本手法が優れた予測性能を実現することを示す。
  論文  参考訳（メタデータ） (2026-02-09T05:23:22Z)
• Reinforced sequential Monte Carlo for amortised sampling [49.92678178064033]
  我々は、最大エントロピー強化学習(MaxEnt RL)により訓練されたシーケンシャルモンテカルロ(SMC)とニューラルシーケンシャルサンプリングとの接続を述べる。 本稿では,提案関数とツイスト関数の安定な連成訓練手法と,トレーニング信号のばらつきを低減するための適応重み付け方式について述べる。
  論文  参考訳（メタデータ） (2025-10-13T17:59:11Z)
• PreAdaptFWI: Pretrained-Based Adaptive Residual Learning for Full-Waveform Inversion Without Dataset Dependency [8.719356558714246]
  フルウェーブフォーム・インバージョン(Full-waveform Inversion、FWI)は、地震データを用いて地下媒体の物理パラメータを反転させる手法である。 異常な性質のため、FWIは局所的なミニマに閉じ込められやすい。 ニューラルネットワークとFWIを組み合わせることで、インバージョンプロセスの安定化が試みられている。
  論文  参考訳（メタデータ） (2025-02-17T15:30:17Z)
• Enhanced Importance Sampling through Latent Space Exploration in Normalizing Flows [69.8873421870522]
  重要サンプリングはモンテカルロシミュレーションで使われる稀な事象シミュレーション手法である。 正規化フローの潜在空間における提案分布を更新し,より効率的なサンプリング法を提案する。
  論文  参考訳（メタデータ） (2025-01-06T21:18:02Z)
• Improved off-policy training of diffusion samplers [93.66433483772055]
  本研究では,非正規化密度やエネルギー関数を持つ分布からサンプルを抽出する拡散モデルの訓練問題について検討する。 シミュレーションに基づく変分法や非政治手法など,拡散構造推論手法のベンチマークを行った。 我々の結果は、過去の研究の主張に疑問を投げかけながら、既存のアルゴリズムの相対的な利点を浮き彫りにした。
  論文  参考訳（メタデータ） (2024-02-07T18:51:49Z)
• PCB-RandNet: Rethinking Random Sampling for LIDAR Semantic Segmentation in Autonomous Driving Scene [15.516687293651795]
  大規模LiDAR点雲のセマンティックセグメンテーションのための新しいポーラシリンダバランスランダムサンプリング法を提案する。 さらに,セグメント化性能を向上し,異なるサンプリング法下でのモデルのばらつきを低減するため,サンプリング一貫性損失が導入された。 提案手法は,SemanticKITTIベンチマークとSemanticPOSSベンチマークの両方で優れた性能を示し,それぞれ2.8%と4.0%の改善を実現している。
  論文  参考訳（メタデータ） (2022-09-28T02:59:36Z)
• Distributionally Robust Models with Parametric Likelihood Ratios [123.05074253513935]
  3つの単純なアイデアにより、より広いパラメトリックな確率比のクラスを用いてDROでモデルを訓練することができる。 パラメトリック逆数を用いてトレーニングしたモデルは、他のDROアプローチと比較して、サブポピュレーションシフトに対して一貫して頑健であることがわかった。
  論文  参考訳（メタデータ） (2022-04-13T12:43:12Z)

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。