論文の概要: Graph Neural Networks for RFID-Based Spatial Geometry Inference in Spatial AI Systems
- arxiv url: http://arxiv.org/abs/2607.10822v1
- Date: Sun, 12 Jul 2026 16:33:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-14 15:40:48.548789
- Title: Graph Neural Networks for RFID-Based Spatial Geometry Inference in Spatial AI Systems
- Title（参考訳）: 空間AIシステムにおけるRFIDに基づく空間幾何学推論のためのグラフニューラルネットワーク
- Abstract要約: 本稿では,RFID観測から空間幾何学を推定するグラフベースの学習フレームワークを提案する。
提案システムは,単独の座標を予測するのではなく,室内のフロアプラン内のRFID読取,アンテナ,物理構造の関係をモデル化する。
GNNは、線形軌跡、矩形境界領域、空間内の物体の運動経路などの幾何学的パターンを予測するために訓練される。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Indoor spatial understanding remains a fundamental challenge for intelligent systems operating in physical environments. Traditional RFID localization techniques typically estimate positions of tags using signal strength measurements but fail to capture higher-order spatial relationships between objects and infrastructure. Recent work on RFID and wireless indoor localization has increasingly emphasized robust learning under noisy propagation, while recent graph-based localization methods demonstrate the value of relational modeling over isolated samples. This paper introduces a graph-based learning framework that leverages Graph Neural Networks (GNNs) to infer spatial geometry from RFID observations. Rather than predicting isolated coordinates, the proposed system models relationships between RFID readings, antennas, and physical structures within an indoor floorplan. This framing is aligned with recent graph-based indoor positioning and graph construction literature, where topology is a first-class source of information for downstream inference. The approach integrates signal strength data, floorplan semantics, and spatial constraints into a graph representation where nodes correspond to RFID observations and edges encode proximity and contextual relationships. A GNN is then trained to predict geometric patterns such as linear trajectories, rectangular bounding regions, and movement paths of objects in space.
- Abstract（参考訳）: 屋内空間理解は、物理環境で動作するインテリジェントシステムにとって、依然として根本的な課題である。
従来のRFIDローカライゼーション技術は、信号強度測定を用いてタグの位置を推定するが、物体とインフラの間の高次空間関係を捉えることができない。
近年のRFIDと無線屋内局地化の研究は,ノイズ伝搬下での頑健な学習を強調している一方,グラフに基づく最近のローカライゼーション手法は,孤立したサンプルに対する関係モデリングの価値を実証している。
本稿では、グラフニューラルネットワーク(GNN)を利用して、RFID観測から空間幾何学を推定するグラフベースの学習フレームワークを提案する。
提案システムは,単独の座標を予測するのではなく,室内のフロアプラン内のRFID読取,アンテナ,物理構造の関係をモデル化する。
このフレーミングは、最近のグラフベースの屋内位置決めとグラフ構築の文献と一致しており、トポロジーは下流推論のための情報の第一級の情報源である。
この手法は信号強度データ、フロアプランのセマンティクス、空間的制約をグラフ表現に統合し、ノードはRFID観測に対応し、エッジは近接関係と文脈関係を符号化する。
GNNは、線形軌跡、矩形境界領域、空間内の物体の運動経路などの幾何学的パターンを予測するために訓練される。
関連論文リスト
- Wireless Traffic Prediction with Large Language Model [54.07581399989292]
TIDESは、無線トラフィック予測のための空間時間相関をキャプチャする新しいフレームワークである。
TIDESは過剰なトレーニングオーバーヘッドを発生させることなく、ドメイン固有のパターンへの効率的な適応を実現する。
この結果から,将来の6Gシステムにおいて,空間認識をLCMベースの予測器に統合することが,スケーラブルでインテリジェントなネットワーク管理の鍵であることが示唆された。
論文 参考訳（メタデータ） (2025-12-19T04:47:40Z) - GeoGNN: Quantifying and Mitigating Semantic Drift in Text-Attributed Graphs [59.61242815508687]
テキスト分散グラフ(TAG)上のグラフニューラルネットワーク(GNN)は、事前訓練された言語モデル(PLM)を使用してノードテキストを符号化し、これらの埋め込みを線形近傍アグリゲーションを通じて伝播する。
本研究は,意味的ドリフトの度合いを計測する局所PCAベースの計量を導入し,異なる凝集機構が多様体構造にどのように影響するかを解析するための最初の定量的枠組みを提供する。
論文 参考訳（メタデータ） (2025-11-12T06:48:43Z) - Graph Enhanced Trajectory Anomaly Detection [23.8160784400789]
軌道異常検出は、インテリジェント交通システムから都市安全・不正防止に至るまで、異常かつ予期せぬ動きパターンを特定するために不可欠である。
既存の手法では、軌跡をサンプリングされた位置の列として扱うことにより、軌道の性質とその運動空間の限られた側面しか考慮していない。
提案するグラフ拡張軌道異常検出フレームワークは,道路網のトポロジ,セグメントセマンティクス,過去の走行パターンを密に統合し,軌跡データをモデル化する。
論文 参考訳（メタデータ） (2025-09-22T20:15:15Z) - A Remedy for Over-Squashing in Graph Learning via Forman-Ricci Curvature based Graph-to-Hypergraph Structural Lifting [0.0]
本稿では,エッジベースのネットワーク特性を定義するForman-Ricci曲率を用いた構造昇降戦略を提案する。
曲線は、ネットワークのバックボーンのようなグラフの局所的および大域的特性を明らかにする。
我々のアプローチは、長距離を横断するメッセージパッシングやグラフボトルネックにおける情報歪みの問題に対処する手段を提供する。
論文 参考訳（メタデータ） (2025-08-15T10:46:27Z) - Graph Neural Networks for Jamming Source Localization [0.23408308015481666]
ソースローカライゼーションを妨害するグラフベースの学習の最初の応用について紹介する。
提案手法は,局所および大域的な信号集約を符号化する構造化ノード表現を統合する。
その結果,新しいグラフベースの学習フレームワークは,確立されたローカライゼーションベースラインを著しく上回っていることがわかった。
論文 参考訳（メタデータ） (2025-06-01T14:29:25Z) - Spatiotemporal Graph Learning with Direct Volumetric Information Passing and Feature Enhancement [62.91536661584656]
本稿では,CeFeGNN(CeFeGNN)とCell-embeddedとFeature-enhanced Graph Neural Networkを学習用として提案する。
学習可能なセル属性を共通ノードエッジメッセージパッシングプロセスに埋め込むことで,地域特性の空間依存性をよりよく把握する。
各種PDEシステムと1つの実世界のデータセットを用いた実験により、CeFeGNNは他のベースラインと比較して優れた性能を発揮することが示された。
論文 参考訳（メタデータ） (2024-09-26T16:22:08Z) - Data-Driven Radio Environment Map Estimation Using Graph Neural Networks [0.0]
グラフニューラルネットワークを用いて無線環境マップ(REM)を推定する手法を提案する。
提案アーキテクチャは、ネットワーク全体の空間的依存関係をキャプチャするグラフニューラルネットワークの利点を継承する。
論文 参考訳（メタデータ） (2024-06-09T00:17:33Z) - GNN-LoFI: a Novel Graph Neural Network through Localized Feature-based
Histogram Intersection [51.608147732998994]
グラフニューラルネットワークは、グラフベースの機械学習の選択フレームワークになりつつある。
本稿では,古典的メッセージパッシングに代えて,ノード特徴の局所分布を解析するグラフニューラルネットワークアーキテクチャを提案する。
論文 参考訳（メタデータ） (2024-01-17T13:04:23Z) - Spatio-Temporal Latent Graph Structure Learning for Traffic Forecasting [6.428566223253948]
S-Temporal Latent Graph Structure Learning Network (ST-LGSL) を提案する。
このモデルは多層パーセプトロンとK-Nearest Neighborに基づくグラフを用いて、データ全体から潜在グラフトポロジ情報を学習する。
kNNの接地確率行列に基づく依存関係-kNNと類似度メートル法により、ST-LGSLは地理的およびノード類似度に重点を置くトップを集約する。
論文 参考訳（メタデータ） (2022-02-25T10:02:49Z) - Three-Way Deep Neural Network for Radio Frequency Map Generation and
Source Localization [67.93423427193055]
空間、時間、周波数領域にわたる無線スペクトルのモニタリングは、5Gと6G以上の通信技術において重要な特徴となる。
本稿では,空間領域全体にわたる不規則分散計測を補間するGAN(Generative Adversarial Network)機械学習モデルを提案する。
論文 参考訳（メタデータ） (2021-11-23T22:25:10Z) - A Point-Cloud Deep Learning Framework for Prediction of Fluid Flow
Fields on Irregular Geometries [62.28265459308354]
ネットワークは空間位置とCFD量のエンドツーエンドマッピングを学習する。
断面形状の異なるシリンダーを過ぎる非圧縮層状定常流を考察する。
ネットワークは従来のCFDの数百倍の速さで流れ場を予測する。
論文 参考訳（メタデータ） (2020-10-15T12:15:02Z)
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。