論文の概要: NARRAS: Edge-Triggered Distributed Inference for CSI-Based Localization in Vehicular IoT Networks

• arxiv url: http://arxiv.org/abs/2606.11914v1
• Date: Wed, 10 Jun 2026 10:47:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-11 16:42:38.418141
• Title: NARRAS: Edge-Triggered Distributed Inference for CSI-Based Localization in Vehicular IoT Networks
• Title（参考訳）: NARRAS: ベクトルIoTネットワークにおけるCSIベースのローカライゼーションのためのエッジトリガー分散推論
• Authors: Rodrigo Oliver, Ricardo Vazquez Alvarez, Alejandro Lancho, Stefano Rini,
• Abstract要約: 車両用IoTネットワークにおけるCSIベースのローカライゼーションのためのETDIをインスタンス化する。 NARRASは、各RAAが最新の観測結果の要約と送信した最後の潜伏状態の記憶を結合した分散レポートポリシーである。
• 参考スコア（独自算出の注目度）: 52.237935683898144
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: CSI-based localization with spatially distributed antenna arrays exposes a basic resource trade-off. Each array can provide a rich view of the channel, but forwarding observations from all arrays to a fusion center is wasteful when only a few carry useful information, and the shared uplink supports only a limited number of simultaneous transmissions. We let each array decide locally whether its current observation is worth reporting, subject to a budget on the average number of active transmitters. We refer to this abstraction as Edge-Triggered Distributed Inference (ETDI). It captures a broader class of task-oriented communication problems where resource-constrained devices share an access channel for a common inference task. We instantiate ETDI for CSI-based localization, a common scenario in vehicular IoT networks. Spatially distributed remote antenna arrays (RAAs) encode local channel state information (CSI) from user equipment (UE) transmissions into latent features, and the fusion center estimates the UE position from the subset of reported features. We propose NARRAS, a decentralized reporting policy in which each RAA combines a recurrent summary of its recent observations with a memory of the last latent it transmitted. Training controls an explicit activity budget through differentiable activity penalties and validation-calibrated deterministic thresholds, and uses channel-chart regularization to shape the latent geometry. Experiments show that, at comparable uplink activity, NARRAS improves localization accuracy over learned and heuristic sparse-reporting strategies, while dense full-report models remain useful budget-free references. In low-activity regimes, chart regularization further reduces high-percentile localization errors, suggesting that geometry-aware latent representations are more robust under sparse reporting.
• Abstract（参考訳）: 空間分散アンテナアレイによるCSIベースのローカライゼーションは、基本的なリソーストレードオフを公開する。 各アレイはチャネルのリッチなビューを提供することができるが、いくつかの有用な情報しか持たない場合、すべてのアレイから核融合センターへの観測は無駄であり、共有アップリンクは限られた数の同時送信しかサポートしない。 我々は各アレイが現在の観測値が報告に値するかどうかをローカルに判断する。 この抽象化をエッジトリガー分散推論(ETDI)と呼ぶ。 リソース制約のあるデバイスが共通の推論タスクに対してアクセスチャネルを共有するような、タスク指向のコミュニケーションの問題の幅広いクラスをキャプチャする。 車両IoTネットワークの一般的なシナリオであるCSIベースのローカライゼーションのためのETDIをインスタンス化する。 ローカルチャネル状態情報(CSI)をユーザ機器(UE)送信から潜在特徴に符号化し、融合センターは報告された特徴のサブセットからUE位置を推定する。 NARRASは、各RAAが、その最近の観測の繰り返しの要約と、送信した最後の潜伏状態の記憶を結合した分散レポートポリシーである。 トレーニングは、識別可能なアクティビティのペナルティと検証校正された決定論的しきい値を通じて明示的なアクティビティ予算を制御し、チャネルチャート正規化を使用して潜伏幾何学を形作る。 実験の結果,NARRASは学習とヒューリスティックなスパースレポーティング戦略よりもローカライズ精度が向上し,高密度フルレポーティングモデルも有用であることがわかった。 低活性な状況下では、チャート正則化は高パーセントのローカライゼーション誤差をさらに減らし、幾何学を意識した潜在表現がスパースレポートの下でより堅牢であることを示す。

関連論文リスト

• Generative MIMO Beam Map Construction for Location Recovery and Beam Tracking [67.65578956523403]
  本稿では,スパースチャネル状態情報(CSI)から位置ラベルを直接復元する生成フレームワークを提案する。 生のCSIを直接格納する代わりに、小型の低次元無線地図の埋め込みを学び、生成モデルを利用して高次元CSIを再構築する。 数値実験により,NLOSシナリオにおける局所化精度が30%以上向上し,20%のキャパシティゲインが得られることが示された。
  論文  参考訳（メタデータ） (2025-11-21T07:25:49Z)
• Object Detection as an Optional Basis: A Graph Matching Network for Cross-View UAV Localization [17.908597896653045]
  本稿では,対象物検出によるマップマッチングを行うUAVローカライゼーションフレームワークを提案する。 典型的なパイプラインでは、UAVの視覚的ローカライゼーションは画像検索の問題として定式化されている。 本手法は, グラフベースノード類似度測定法を用いて, 高精度な検索とローカライズ性能を実現する。
  論文  参考訳（メタデータ） (2025-11-04T11:25:31Z)
• Decentralized Learning over Wireless Networks with Broadcast-Based Subgraph Sampling [36.99249604183772]
  この研究は、コンセンサスに基づく分散降下(D-SGD)を用いた、無線ネットワーク上の分散学習のコミュニケーション面を中心にしている。 ネットワーク内情報交換による実際の通信コストや遅延を考慮すると,送信スロット毎の改善によって測定されたアルゴリズムの高速収束を実現することが目的である。 本稿では,無線ネットワーク上でのD-SGDの効率的な通信フレームワークであるBASSを提案する。
  論文  参考訳（メタデータ） (2023-10-24T18:15:52Z)
• Learning to Aggregate Multi-Scale Context for Instance Segmentation in Remote Sensing Images [28.560068780733342]
  特徴抽出のプロセスを改善するために,新しいコンテキスト集約ネットワーク(CATNet)を提案する。 提案モデルは,高密度特徴ピラミッドネットワーク(DenseFPN),空間コンテキストピラミッド(SCP),階層的関心抽出器(HRoIE)の3つの軽量プラグアンドプレイモジュールを利用する。
  論文  参考訳（メタデータ） (2021-11-22T08:55:25Z)
• MD-CSDNetwork: Multi-Domain Cross Stitched Network for Deepfake Detection [80.83725644958633]
  現在のディープフェイク生成法では、偽画像やビデオの周波数スペクトルに識別的アーティファクトが残されている。 MD-CSDNetwork(MD-CSDNetwork)と呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-09-15T14:11:53Z)
• Semi-Supervised Learning for Channel Charting-Aided IoT Localization in Millimeter Wave Networks [97.66522637417636]
  ミリ波ネットワークにおけるチャネルチャート(CC)支援の新たな枠組みを提案する。 特に,無線機器の3次元位置を推定するために,畳み込み型オートエンコーダモデルを提案する。 フレームワークは半教師付きフレームワークに拡張され、オートエンコーダは2つのコンポーネントに分割される。
  論文  参考訳（メタデータ） (2021-08-03T14:41:38Z)
• Multi-Source Domain Adaptation for Object Detection [52.87890831055648]
  我々は、Divide-and-Merge Spindle Network (DMSN)と呼ばれる、より高速なR-CNNベースのフレームワークを提案する。 DMSNはドメイン非ネイティブを同時に強化し、識別力を維持することができる。 擬似目標部分集合の最適パラメータを近似する新しい擬似学習アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2021-06-30T03:17:20Z)
• Channelized Axial Attention for Semantic Segmentation [70.14921019774793]
  チャネルアキシャルアテンション(CAA)を提案し、チャネルアテンションと軸アテンションをシームレスに統合し、計算複雑性を低減します。 私たちのCAAは、DANetのような他の注意モデルに比べて計算リソースをはるかに少なくするだけでなく、すべての検証済みデータセット上で最先端のResNet-101ベースのセグメンテーションモデルよりも優れています。
  論文  参考訳（メタデータ） (2021-01-19T03:08:03Z)

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。