論文の概要: Physics-Informed Domain-Invariant Feature Learning with Autoencoder-Driven Gaussian Clustering for Robust Non-line-of-Sight Scenarios
- arxiv url: http://arxiv.org/abs/2607.02537v1
- Date: Sun, 21 Jun 2026 10:42:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-13 07:26:11.064709
- Title: Physics-Informed Domain-Invariant Feature Learning with Autoencoder-Driven Gaussian Clustering for Robust Non-line-of-Sight Scenarios
- Title（参考訳）: 自己エンコーダ駆動型ガウスクラスタリングによる物理インフォームド・ドメイン不変特徴学習
- Abstract要約: ジャミングとスプーフは、無線と衛星の航法に重大な脅威をもたらす。
物理インフォームド制約をディープニューラルネットワークに組み込んだハイブリッド学習フレームワークを提案する。
提案手法は,AoA推定誤差を平均6倍に削減する。
- 参考スコア（独自算出の注目度）: 0.786430477112975
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Jamming and spoofing pose significant threats to wireless and satellite navigation by disrupting radio-frequency (RF) signals and compromising availability and integrity. Robust RF interference direction finding through angle-of-arrival (AoA) estimation is therefore essential for detecting and localizing anomalous signals. Although data-driven methods perform well under line-of-sight (LoS) conditions, their performance degrades in practical environments due to non-line-of-sight (NLoS) multipath propagation. In this work, we propose a hybrid learning framework that incorporates physics-informed constraints into deep neural networks to improve the robustness of AoA estimation. A neural network is trained to estimate the azimuth and elevation of incoming signals received by a four-element antenna array, while a physics-informed loss enforces consistency between the predicted angles and inter-antenna phase differences under a plane-wave model. We further introduce a latent-space classifier to distinguish LoS from NLoS samples. Since inter-antenna phase differences under LoS propagation exhibit domain-invariant structure across environments, the physics-based loss is applied only to LoS samples, promoting physically consistent and domain-invariant representations without over-constraining the model in NLoS scenarios. In addition, domain-incremental learning (DIL) across NLoS environments with varying scatterer distributions improves cross-domain generalization. Evaluations on real-world datasets show that the proposed method reduces AoA estimation error by up to 6° in low-exemplar settings compared with DIL baselines.
- Abstract（参考訳）: ジャミングとスプーフィングは、無線周波数(RF)信号を妨害し、可用性と整合性を損なうことで、無線および衛星航法に重大な脅威をもたらす。
したがって、異常信号の検出と局所化には、AoA推定によるロバストRF干渉方向検出が不可欠である。
データ駆動方式はラインオブライト(LoS)条件下では良好に動作するが,非ラインオブライト(NLoS)マルチパスの伝搬により実運用環境では性能が低下する。
本研究では,AoA推定のロバスト性を改善するために,物理インフォームド制約をディープニューラルネットワークに組み込んだハイブリッド学習フレームワークを提案する。
ニューラルネットワークは、4要素アンテナアレイによって受信された受信信号の方位と上昇を推定するように訓練され、物理インフォームドロスは平面波モデルの下で予測角度とアンテナ間位相差の一貫性を強制する。
さらに、NLoSサンプルとLoSを区別する潜在空間分類器を導入する。
LoS伝搬下でのアンテナ間位相差は、環境間でのドメイン不変構造を示すため、物理学に基づく損失はLoSサンプルにのみ適用され、NLoSシナリオにおいてモデルを過剰に制約することなく、物理的に一貫したドメイン不変表現が促進される。
さらに、異なる散乱器分布を持つNLoS環境におけるドメインインクリメンタルラーニング(DIL)により、ドメイン間の一般化が改善される。
実世界のデータセットを用いて評価した結果,提案手法はDILベースラインと比較して,低環境下でのAoA推定誤差を最大6°削減できることがわかった。
関連論文リスト
- The S-ICDF Dataset: Sionna-Simulated Dynamic Interference Characterization and Direction Finding [31.957075227489835]
無線周波数(RF)信号を妨害したり操作したりすることで、ジャミングやスプーフィングは無線や衛星の航行を脅かす。
大規模な屋内干渉データセットであるS-ICDFを作成し,公開する。
論文 参考訳（メタデータ） (2026-07-03T15:19:09Z) - Need We Teach Foundation Models What is a Generative Image? Gradient-Free Generative Artifact Detection via Analytic Spectral Adaptation [3.881211374324378]
勾配ベースの更新による生成成果物の検出に基礎モデルを適用することで、本質的な表現が損なわれる。
本稿では,二分分類から外分布(OOD)異常測定問題への検出を緩和する勾配のない手法を提案する。
論文 参考訳（メタデータ） (2026-06-03T13:04:23Z) - OmniLiDAR: A Unified Diffusion Framework for Multi-Domain 3D LiDAR Generation [100.36917520403227]
本稿では,8つの代表領域にまたがる共有範囲画像表現において,LiDARスキャンを生成する統一テキスト条件拡散フレームワークを提案する。
パブリックな統合ベンチマークがなければ、実世界のスキャンと物理ベース気象シミュレーションとシステマティックビームリダクションを組み合わせた8ドメインデータセットを構築する。
論文 参考訳（メタデータ） (2026-05-13T17:42:20Z) - Active Sensing with Meta-Reinforcement Learning for Emitter Localization from RF Observations [34.91678998140352]
グローバルナビゲーション衛星システム(GNSS)の干渉は、信頼性の高い位置決めに深刻な脅威をもたらす。
本稿では,アクティブセンシング問題として干渉局所化を定式化する。
本研究では,エージェントが環境を逐次探索し,エミッタ源の位置を推定する強化学習フレームワークを提案する。
論文 参考訳（メタデータ） (2026-05-12T10:03:41Z) - Robust Cross-Domain WiFi Fall Detection via Physics-Driven Attention-Enhanced Transformers [64.35403680946182]
WiFiチャンネル状態情報(CSI)を利用したデバイスフリーの転倒検出が,高齢者の健康モニタリングのための有望なソリューションとして浮上している。
既存のディープラーニングアプローチでは、目に見えない環境にデプロイされた場合、パフォーマンスが大幅に低下する。
本稿では,新しいCNN-Transformerハイブリッドアーキテクチャを特徴とする,堅牢で汎用的なフレームワークを提案する。
論文 参考訳（メタデータ） (2026-04-23T03:28:12Z) - Learning to Separate RF Signals Under Uncertainty: Detect-Then-Separate vs. Unified Joint Models [53.79667447811139]
受信した信号に直接適用した場合、単一のディープニューラルネットワークアーキテクチャが共同で検出および分離することを学習していることを示す。
これらの結果から,UJM は DTS に代わるスケーラブルで実用的な代替品であり,広範に推定された統合分離のための新たな方向を開拓した。
論文 参考訳（メタデータ） (2026-02-04T15:25:02Z) - Attention-Based Fusion of IQ and FFT Spectrograms with AoA Features for GNSS Jammer Localization [4.674584508653125]
ジャミング装置はグローバルナビゲーション衛星システム(GNSS)からの信号を妨害する
古典アングル・オブ・アーリバル (AoA) 法はマルチパス環境において精度を低下させる。
本研究では,ジャミング源の距離,方位,標高を推定しながら干渉の検出と分類を行う新しい手法を提案する。
論文 参考訳（メタデータ） (2025-07-09T06:49:11Z) - Evaluating ML Robustness in GNSS Interference Classification, Characterization & Localization [42.14439854721613]
ジャミング装置はグローバルナビゲーション衛星システム(GNSS)からの信号を妨害する
本稿では、低周波アンテナから得られたスナップショットからなる広範囲なデータセットを提案する。
本研究の目的は,機械学習モデル(ML)の環境変化に対するレジリエンスを評価することである。
論文 参考訳（メタデータ） (2024-09-23T15:20:33Z) - Over-the-Air Federated Learning and Optimization [52.5188988624998]
エッジ・ザ・エア計算(AirComp)によるフェデレーション学習(FL)に焦点を当てる。
本稿では,AirComp ベースの FedAvg (AirFedAvg) アルゴリズムの凸および非凸条件下での収束について述べる。
エッジデバイス(モデル、勾配、モデル差など)で送信できるローカルアップデートの種類によって、AirFedAvgで送信するとアグリゲーションエラーが発生する可能性がある。
さらに、より実用的な信号処理方式を検討し、通信効率を改善し、これらの信号処理方式によって引き起こされるモデル集約誤差の異なる形式に収束解析を拡張する。
論文 参考訳（メタデータ） (2023-10-16T05:49:28Z) - Attribute-Guided Adversarial Training for Robustness to Natural
Perturbations [64.35805267250682]
本稿では,属性空間への分類器の露出を最大化するために,新しいサンプルを生成することを学習する逆学習手法を提案する。
我々のアプローチは、ディープニューラルネットワークが自然に発生する摂動に対して堅牢であることを可能にする。
論文 参考訳（メタデータ） (2020-12-03T10:17:30Z) - Deep Networks for Direction-of-Arrival Estimation in Low SNR [89.45026632977456]
我々は,真の配列多様体行列の変異チャネルデータから学習した畳み込みニューラルネットワーク(CNN)を導入する。
我々は低SNR体制でCNNを訓練し、すべてのSNRでDoAを予測する。
私たちの堅牢なソリューションは、ワイヤレスアレイセンサーから音響マイクロフォンやソナーまで、いくつかの分野に適用できます。
論文 参考訳（メタデータ） (2020-11-17T12:52:18Z)
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。