論文の概要: A Switching Beamformer for Highly Non-Stationary Environments

• arxiv url: http://arxiv.org/abs/2606.08385v1
• Date: Sun, 07 Jun 2026 00:44:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:06.077156
• Title: A Switching Beamformer for Highly Non-Stationary Environments
• Title（参考訳）: 非定常環境用スイッチングビームフォーマ
• Authors: Manan Mittal, Ryan M. Corey, John R. Buck, Andrew C. Singer,
• Abstract要約: 本稿では,ビームフォーミングアーキテクチャに競合する逐次予測を統合したユニバーサルスイッチングビームフォーマ(USB)を提案する。 USBはショートウインドウ推定器の俊敏性と長期統合の精度を実現し、高度に静止しないシーンを追跡するための原則的なソリューションを提供する。
• 参考スコア（独自算出の注目度）: 6.752249951921619
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Adaptive beamforming is a cornerstone of array signal processing, yet its performance often collapses in the face of complex, rapidly changing interference. When interferers appear or move unpredictably, conventional estimators encounter a fundamental memory trade-off: short windows enable rapid tracking but suffer from high estimation variance, while long windows provide stable rejection but fail to adapt to shifts. This challenge is resolved by introducing the Universal Switching Beamformer (USB), which integrates competitive sequential prediction into the beamforming architecture. By employing a linear transition diagram, the USB implicitly maintains an exponentially large family of candidate covariance histories and dynamically re-weights them based on their cumulative output power. This mechanism allows the beamformer to automatically vary its effective memory length without explicit change detection or heuristic parameter tuning. A theoretical upper bound is proven on the regret relative to an omniscient oracle that selects the best piecewise-stationary covariance model in hindsight. Extensive simulations and experiments on the SwellEx-96 dataset demonstrate that the USB achieves the agility of short-window estimators and the precision of long-term integration, providing a principled solution for tracking highly non-stationary scenes.
• Abstract（参考訳）: アダプティブビームフォーミングはアレイ信号処理の土台であるが、その性能はしばしば複雑で急速に変化する干渉に直面して崩壊する。 ショートウィンドウは高速なトラッキングが可能だが、高い推定ばらつきに悩まされる一方、ロングウィンドウは安定した拒絶を提供するが、シフトに適応できない。 この問題は、競合するシーケンシャルな予測をビームフォーミングアーキテクチャに統合するUniversal Switching Beamformer (USB)を導入することで解決される。 線形遷移ダイアグラムを用いることで、USBは指数的に大きな候補共分散履歴の族を暗黙的に維持し、その累積出力力に基づいて動的に再重み付けを行う。 この機構によりビームフォーマは、明示的な変化検出やヒューリスティックパラメータチューニングなしに、有効メモリ長を自動的に変更することができる。 理論的上界は、後見において最高のピースワイズ-定常共分散モデルを選択する全知的なオラクルに対する後悔に対して証明される。 SwellEx-96データセットの大規模なシミュレーションと実験により、USBはショートウインドウ推定器の俊敏性と長期統合の精度を達成し、高度に静止しないシーンを追跡するための原則化されたソリューションを提供することを示した。

関連論文リスト

• Where to Refine, When to Stop: Rethinking Redundancy via Latent Discrepancy for Efficient Visual Autoregressive Generation [50.139984798361375]
  遅延不一致による冗長性を除去する学習自由フレームワークを提案する。 LD-Pruningは、Infinity-8Bの最大2.35倍のスピードアップを実現し、高い生成品質を維持しながら推論を大幅に削減する。
  論文  参考訳（メタデータ） (2026-05-29T19:34:39Z)
• PnP-Corrector: A Universal Correction Framework for Coupled Spatiotemporal Forecasting [62.22445401483844]
  既存の手法は複雑なエラーのボトルネックによって厳しく制約されている。 我々は-Cast-Corrector (Plug-and-Play Corrector)と呼ばれる普遍的なフレームワークを提案する。 本手法は,結合予測システムの長期安定性を著しく向上させる。
  論文  参考訳（メタデータ） (2026-05-09T13:12:33Z)
• Predict to Skip: Linear Multistep Feature Forecasting for Efficient Diffusion Transformers [10.751183015853863]
  拡散変換器(DiT)は高忠実度画像とビデオ生成のバックボーンとして広く採用されている。 線形多段階問題として特徴予測を定式化する,トレーニング不要なアクセラレーションフレームワークである textbfPrediT を提案する。 提案手法は,DiTベースの画像およびビデオ生成モデル間で最大5.54タイムのレイテンシ低減を実現し,品質劣化を生じさせる。
  論文  参考訳（メタデータ） (2026-02-20T09:33:59Z)
• RelayGen: Intra-Generation Model Switching for Efficient Reasoning [9.678190958232024]
  RelayGenはトレーニングフリーのセグメントレベルのランタイムモデルスイッチングフレームワークである。 長文推論における難易度の変化を利用する。 大規模なモデルの精度の大部分を保ちながら、推論遅延を大幅に低減します。
  論文  参考訳（メタデータ） (2026-02-06T07:35:01Z)
• Unifying Sign and Magnitude for Optimizing Deep Vision Networks via ThermoLion [0.0]
  現在のパラダイムは、情報チャネルドリフトパラメータに静的な妥協を課している。 我々は「低次元」探索モデルと「低次元」動的アライメントフレームワークを導入する。
  論文  参考訳（メタデータ） (2025-12-01T17:04:17Z)
• CETUS: Causal Event-Driven Temporal Modeling With Unified Variable-Rate Scheduling [18.82030002020162]
  イベントカメラは、マイクロ秒時間解像度で非同期ピクセルレベルの輝度変化をキャプチャする。 既存の方法では、イベントストリームをフレーム、ボクセルグリッド、ポイントクラウドなどの中間表現に変換することが多い。 本稿では、中間表現なしで生イベントストリームを直接処理する新しいアーキテクチャである可変レート空間イベントマンバを提案する。
  論文  参考訳（メタデータ） (2025-09-17T07:55:37Z)
• Sparser is Faster and Less is More: Efficient Sparse Attention for Long-Range Transformers [58.5711048151424]
  SPARSEK Attention(SPARSEK Attention)は、計算およびメモリ障害を克服するために設計された、新しいスパースアテンション機構である。 提案手法では,各クエリに対して一定数のKVペアを選択するために,スコアリングネットワークと差別化可能なトップkマスク演算子であるSPARSEKを統合する。 実験結果から,SPARSEK注意は従来のスパースアテンション法よりも優れていた。
  論文  参考訳（メタデータ） (2024-06-24T15:55:59Z)
• Adapting to Length Shift: FlexiLength Network for Trajectory Prediction [53.637837706712794]
  軌道予測は、自律運転、ロボット工学、シーン理解など、様々な応用において重要な役割を果たしている。 既存のアプローチは主に、一般に標準入力時間を用いて、公開データセットの予測精度を高めるために、コンパクトなニューラルネットワークの開発に重点を置いている。 本稿では,様々な観測期間に対する既存の軌道予測の堅牢性を高めるための,汎用的で効果的なフレームワークFlexiLength Network(FLN)を紹介する。
  論文  参考訳（メタデータ） (2024-03-31T17:18:57Z)
• Efficient Graph Neural Network Inference at Large Scale [54.89457550773165]
  グラフニューラルネットワーク(GNN)は、幅広いアプリケーションで優れた性能を示している。 既存のスケーラブルなGNNは、線形伝搬を利用して特徴を前処理し、トレーニングと推論の手順を高速化する。 本稿では,そのトポロジ情報に基づいて各ノードに対してパーソナライズされた伝搬順序を生成する適応的伝搬順序法を提案する。
  論文  参考訳（メタデータ） (2022-11-01T14:38:18Z)

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。