論文の概要: Map as a Prompt: Learning Multi-Modal Spatial-Signal Foundation Models for Cross-scenario Wireless Localization
- arxiv url: http://arxiv.org/abs/2607.15713v1
- Date: Fri, 17 Jul 2026 07:50:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-20 17:56:52.784463
- Title: Map as a Prompt: Learning Multi-Modal Spatial-Signal Foundation Models for Cross-scenario Wireless Localization
- Title（参考訳）: Map as a Prompt: マルチモーダルな空間信号基礎モデル学習によるクロスセクセリオワイヤレスローカライゼーション
- Abstract要約: 正確でロバストなワイヤレスローカライゼーションは、新しい5G/6Gアプリケーションにとって重要な実現方法である。
SigMapは2つの重要なイノベーションを取り入れたマルチモーダル基盤モデルである。
本モデルでは,複数の局所化タスクにまたがる最先端性能を実現するとともに,目に見えない環境でのゼロショット一般化を強力に実現している。
- 参考スコア（独自算出の注目度）: 40.414275116071295
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate and robust wireless localization is a critical enabler for emerging 5G/6G applications, including autonomous driving, extended reality, and smart manufacturing. Despite its importance, achieving precise localization across diverse environments remains challenging due to the complex nature of wireless signals and their sensitivity to environmental changes. Existing data-driven approaches often suffer from limited generalization capability, requiring extensive labeled data and struggling to adapt to new scenarios. To address these limitations, we propose SigMap, a multimodal foundation model that introduces two key innovations: (1) A cycle-adaptive masking strategy that dynamically adjusts masking patterns based on channel periodicity characteristics to learn robust wireless representations; (2) A novel "map-as-prompt" framework that integrates 3D geographic information through lightweight soft prompts for effective cross-scenario adaptation. Extensive experiments demonstrate that our model achieves state-of-the-art performance across multiple localization tasks while exhibiting strong zero-shot generalization in unseen environments, significantly outperforming both supervised and self-supervised baselines by considerable margins.
- Abstract（参考訳）: 正確で堅牢なワイヤレスローカライゼーションは、自動運転、拡張現実、スマートマニュファクチャリングなど、新しい5G/6Gアプリケーションにとって重要な実現手段である。
その重要性にもかかわらず、無線信号の複雑な性質と環境変化への敏感さのため、多様な環境にまたがる正確な局所化を実現することは依然として困難である。
既存のデータ駆動アプローチは、しばしば限定的な一般化能力に悩まされ、広範なラベル付きデータを必要とし、新しいシナリオに適応するのに苦労する。
これらの制約に対処するため,(1)チャンネル周期性特性に基づいてマスキングパターンを動的に調整し,ロバストな無線表現を学習するサイクル適応型マスキング戦略,(2)軽量ソフトプロンプトによる3次元地理情報の統合を行う新しい「マップ・アズ・プロンプト」フレームワークを提案する。
広汎な実験により,本モデルが複数の局所化タスクをまたいだ最先端性能を実現するとともに,目に見えない環境において強力なゼロショット一般化を実現し,教師付きベースラインと自己監督ベースラインの両方をかなりのマージンで大幅に上回った。
関連論文リスト
- A Multi-Modal Foundational Model for Wireless Communication and Sensing [5.101849923596286]
本研究は,物理層無線システムのタスク非依存・マルチモーダル基礎モデルを提案する。
異質なモダリティにまたがる移動可能で物理学を意識した表現を学習し、タスクや環境をまたいだ堅牢な一般化を可能にしている。
本評価は,タスク固有のベースラインと比較して,より優れた一般化,デプロイメントシフトに対する堅牢性,データ要求の削減を示す。
論文 参考訳（メタデータ） (2026-02-03T21:03:23Z) - Statistically-Guided Dual-Domain Meta-Learning with Adaptive Multi-Prototype Aggregation for Distributed Fiber Optic Sensing [11.719957656139824]
本稿では,DFOS 活動識別のための新しいメタ学習フレームワーク DUPLE を提案する。
まず、デュアルドメインのマルチプロトタイプ学習者が時間領域と周波数領域の特徴を融合させ、信号分散シフト下でのモデルの一般化能力を向上する。
第二に、統計ガイドネットワーク(SGN)は、生の統計的特徴からドメインの重要性とプロトタイプの感度を推定し、ラベルのないドメインや目に見えないドメインで学習するためのデータ駆動の事前情報を提供する。
第3に、クエリ対応プロトタイプアグリゲーションモジュールは、関連するプロトタイプを適応的に選択・結合し、限られたデータであっても分類性能を向上させる。
論文 参考訳（メタデータ） (2025-11-22T03:39:13Z) - Dual-Mind World Models: A General Framework for Learning in Dynamic Wireless Networks [43.39205414684229]
本稿では,mmWave V2Xネットワークのための新しい2次元世界モデルベース学習フレームワークを提案する。
認知心理学に触発されて提案されたデュアルミンド世界モデルは、パターン駆動型システム1コンポーネントと論理駆動型システム2コンポーネントを含んでいる。
シミュレーションの結果,提案した世界モデルはデータ効率を大幅に向上することがわかった。
論文 参考訳（メタデータ） (2025-10-28T15:45:15Z) - Scaling Up Occupancy-centric Driving Scene Generation: Dataset and Method [54.461213497603154]
作業中心の手法は、最近、フレームとモダリティをまたいだ一貫した条件付けを提供することで、最先端の結果を得た。
Nuplan-Occは、広く使われているNuplanベンチマークから構築された、これまでで最大の占有率データセットである。
高品質な占有、多視点ビデオ、LiDAR点雲を共同で合成する統合フレームワークを開発した。
論文 参考訳（メタデータ） (2025-10-27T03:52:45Z) - Large Wireless Localization Model (LWLM): A Foundation Model for Positioning in 6G Networks [26.30108656575931]
本稿では,無線位置決めに適したファンデーションモデルに基づくソリューションを提案する。
まず、異なる自己教師付き学習(SSL)タスクが汎用的およびタスク固有の意味的特徴をどのように獲得するかを分析する。
提案するLarge Wireless Localization Model (LWLM) の事前学習手法を設計する。
論文 参考訳（メタデータ） (2025-05-15T10:04:44Z) - World Model-Based Learning for Long-Term Age of Information Minimization in Vehicular Networks [53.98633183204453]
本稿では,車載ネットワークにおけるパケット完全性認識情報(CAoI)の年齢を最小化するために,新しい世界モデルに基づく学習フレームワークを提案する。
mmWave V2X環境の動的モデルを共同で学習し、リンクスケジューリングの方法を学ぶための軌跡を想像するために使用する世界モデルフレームワークを提案する。
特に、長期的な政策は環境相互作用の代わりに、異なる想像軌道で学習される。
論文 参考訳（メタデータ） (2025-05-03T06:23:18Z) - STaRFormer: Semi-Supervised Task-Informed Representation Learning via Dynamic Attention-Based Regional Masking for Sequential Data [4.351581973358463]
トランスフォーマーベースのアプローチであるSTaRFormerは、シーケンシャルモデリングのための普遍的なフレームワークとして機能する。
STaRFormerは、動的注意に基づく領域マスキングスキームと半教師付きコントラスト学習を組み合わせて、タスク固有の潜在表現を強化する。
論文 参考訳（メタデータ） (2025-04-14T11:03:19Z) - PFSD: A Multi-Modal Pedestrian-Focus Scene Dataset for Rich Tasks in Semi-Structured Environments [73.80718037070773]
本稿では, 半構造化シーンに, nuScenesの形式を付加したマルチモーダルなPedestrian-Focused Sceneデータセットを提案する。
また,密集・隠蔽シナリオにおける歩行者検出のためのHMFN(Hybrid Multi-Scale Fusion Network)を提案する。
論文 参考訳（メタデータ） (2025-02-21T09:57:53Z) - PointFix: Learning to Fix Domain Bias for Robust Online Stereo Adaptation [54.734201944510026]
本稿では,PointFixと呼ばれるメタラーニングフレームワークに補助的なポイント選択型ネットワークを導入することを提案する。
簡単に言えば、我々の補助的ネットワークは、メタグラディエントを通じて局所情報を効果的にバックプロパゲートすることで、局所的変異を集中的に修正することを学ぶ。
このネットワークはモデルに依存しないため、プラグイン・アンド・プレイ方式であらゆる種類のアーキテクチャで使用することができる。
論文 参考訳（メタデータ） (2022-07-27T07:48:29Z) - Learning to Continuously Optimize Wireless Resource in a Dynamic
Environment: A Bilevel Optimization Perspective [52.497514255040514]
この研究は、データ駆動メソッドが動的環境でリソース割り当て戦略を継続的に学び、最適化することを可能にする新しいアプローチを開発しています。
学習モデルが新たなエピソードに段階的に適応できるように、連続学習の概念を無線システム設計に組み込むことを提案する。
我々の設計は、異なるデータサンプルにまたがる公平性を保証する、新しい二段階最適化定式化に基づいている。
論文 参考訳（メタデータ） (2021-05-03T07:23:39Z)
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。