論文の概要: A Systematic Sample Size Analysis of ML-Based Path Loss Prediction for LPWAN

• arxiv url: http://arxiv.org/abs/2608.11083v1
• Date: Tue, 11 Aug 2026 15:48:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-12 19:14:46.110158
• Title: A Systematic Sample Size Analysis of ML-Based Path Loss Prediction for LPWAN
• Title（参考訳）: LPWANにおけるMLに基づく経路損失予測の系統的サンプルサイズ解析
• Abstract要約: LoRaのような低電力広域ネットワークは、スマートシティのアプリケーションにますます利用されている。 伝統的な(経験的な)伝播モデルは、これらのシナリオにおいて限られた精度を示すことが多い。 本稿では,LoRa経路損失予測のための機械学習モデルについて検討する。
• 参考スコア（独自算出の注目度）: 1.411614392022118
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Low Power Wide Area Networks like LoRa are increasingly deployed for smart city applications, requiring accurate path loss prediction for effective network planning. Traditional (empirical) propagation models often exhibit limited accuracy in these scenarios. We investigate machine learning models for LoRa path loss prediction, systematically analyzing how prediction accuracy scales with training set size using real-world measurements from an urban deployment. Our approach employs a Random Forest with LiDAR-derived terrain features and k-Nearest Neighbors with coordinate data, comparing their performance against established empirical models and specialized LPWAN models. Under random pooled splits, both ML models consistently outperform the considered baseline models across the evaluated training-set sizes. At maximum training size, they achieve RMSE values below 6.5 dB compared to 9.7 dB for the best baseline, indicating accurate within-deployment interpolation. A leave-one-gateway-out check qualifies this result: RF shows placement-dependent transfer to held-out gateways, with moderate degradation for several gateways but larger errors for others, whereas coordinate-only k-NN degrades substantially when the gateway location is unseen
• Abstract（参考訳）: LoRaのような低電力広域ネットワークはスマートシティアプリケーションにますます普及しており、効果的なネットワーク計画のために正確な経路損失予測を必要としている。 伝統的な(経験的な)伝播モデルは、これらのシナリオにおいて限られた精度を示すことが多い。 本稿では,LoRa経路損失予測のための機械学習モデルについて検討し,都市配置からの実世界計測値を用いて,トレーニングセットサイズによる予測精度のスケールを体系的に分析した。 提案手法では,LiDAR由来の地形特徴を持つランダムフォレストと座標データを持つk-Nearest Neighborsを用いて,既存の経験モデルやLPWANモデルと比較した。 ランダムプール分割の下では、両方のMLモデルは、評価されたトレーニングセットサイズで考慮されたベースラインモデルより一貫して優れている。 最大トレーニングサイズでは、RMSE値は6.5dB以下であり、最高のベースラインでは9.7dBである。 RFはホールドアウトゲートウェイへの配置依存の転送を示し、いくつかのゲートウェイでは適度に劣化するが、他のゲートウェイではエラーが大きい。

関連論文リスト

• Signed Rescue Routing: Harm-Aware Cascades for Efficient LLM Inference [18.473413242504503]
  大規模な言語モデルカスケードは、小さなモデルで簡単なリクエストに答え、選択したリクエストをより大きなモデルにエスカレートする。 このプロキシは決定的な事実を無視している: エスカレーションは、大きなモデルが小さなモデルを修正した場合にのみ有用であり、大きなモデルが正しい答えを間違ったモデルに置き換えた時に有害である。 本稿では,これら2つのイベントを個別に予測し,その差分で要求をランク付けするSRR(Signed Rescue Routing)を提案する。
  論文  参考訳（メタデータ） (2026-09-07T17:31:58Z)
• How Faithful Is Trajectory-Based Data Attribution? Error Sources, Remedies, and Practical Guidelines [21.57090069950487]
  トラジェクトリに基づくデータ帰属法は、トレーニングの軌跡をアンロールすることで、モデル予測に対するトレーニングサンプルの影響を推定する。 これらの手法の包括的なエラー解析が欠如しており、メソッドの忠実性に対する懸念を高め、信頼性の高いデプロイメントを妨げる。 本稿では,トラジェクトリに基づくデータ属性における誤り源の体系的解析と,これらを緩和するための具体的対策,および下流利用のための実践的ガイドラインについて述べる。
  論文  参考訳（メタデータ） (2026-05-12T09:50:45Z)
• Why Channel-Centric Models are not Enough to Predict End-to-End Performance in Private 5G: A Measurement Campaign and Case Study [0.0]
  通信対応ロボット計画には,無線ネットワーク性能の正確な予測が必要である。 現在のアプローチは、受信信号強度や信号対雑音比といったチャネルレベルの指標に依存している。 我々は,民間の5G産業環境における計測キャンペーンを通じて,この仮定に挑戦する。
  論文  参考訳（メタデータ） (2026-03-09T19:27:00Z)
• Learning Shortest Paths When Data is Scarce [3.3012620893449465]
  本研究では,プランナーが豊富な合成サンプルにアクセス可能な最短経路問題,限られた実世界の観測,およびリンク間の振る舞いの類似性を推定するエッジ類似性について検討する。 シミュレーションと現実の相違を、類似性グラフ上で滑らかに変化するエッジ固有のバイアスとしてモデル化し、ラプラシアン正規化最小二乗を用いて推定する。 初期実データを持たないコールドスタート設定のために、所定の精度が満たされるまでエッジを適応的に選択するバイアス対応能動学習アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2026-01-07T06:19:04Z)
• When Distance Distracts: Representation Distance Bias in BT-Loss for Reward Models [55.444604697848426]
  リワードモデルは、RLHFのフレームワーク内のLarge Language Model (LLM)アライメントの中心である。 報酬モデリングで使用される標準的な目的はBradley-Terry(BT)損失であり、これは選択された2つの応答と拒否された応答からなるペアワイズデータから学習する。 適応型ペアワイド正規化方式であるNormBTを提案する。
  論文  参考訳（メタデータ） (2025-12-06T08:15:37Z)
• Network-Level Vehicle Delay Estimation at Heterogeneous Signalized Intersections [4.534054317956599]
  本研究では,様々な交差点を横断する車両遅延を推定するためのドメイン適応(DA)フレームワークを提案する。 新たなDAモデルであるGradient Boosting with Balanced Weighting (GBBW)は、ターゲットドメインとの類似性に基づいてソースデータを重み付けする。 8つの最先端ML回帰モデルと7つのインスタンスベースのDA手法で性能を評価する。
  論文  参考訳（メタデータ） (2025-10-01T05:19:50Z)
• OPUS: Occupancy Prediction Using a Sparse Set [64.60854562502523]
  学習可能なクエリの集合を用いて、占有された場所とクラスを同時に予測するフレームワークを提案する。 OPUSには、モデルパフォーマンスを高めるための非自明な戦略が組み込まれている。 最も軽量なモデルではOcc3D-nuScenesデータセットの2倍 FPS に優れたRayIoUが得られる一方、最も重いモデルは6.1 RayIoUを上回ります。
  論文  参考訳（メタデータ） (2024-09-14T07:44:22Z)
• Bridging Precision and Confidence: A Train-Time Loss for Calibrating Object Detection [58.789823426981044]
  本稿では,境界ボックスのクラス信頼度を予測精度に合わせることを目的とした,新たな補助損失定式化を提案する。 その結果,列車の走行時間損失はキャリブレーション基準を超過し,キャリブレーション誤差を低減させることがわかった。
  論文  参考訳（メタデータ） (2023-03-25T08:56:21Z)
• Distributionally Robust Models with Parametric Likelihood Ratios [123.05074253513935]
  3つの単純なアイデアにより、より広いパラメトリックな確率比のクラスを用いてDROでモデルを訓練することができる。 パラメトリック逆数を用いてトレーニングしたモデルは、他のDROアプローチと比較して、サブポピュレーションシフトに対して一貫して頑健であることがわかった。
  論文  参考訳（メタデータ） (2022-04-13T12:43:12Z)
• Interpretable AI-based Large-scale 3D Pathloss Prediction Model for enabling Emerging Self-Driving Networks [3.710841042000923]
  本稿では,新しい鍵予測器を応用した機械学習モデルを提案する。 予測,一般化,計算性能の観点から各種MLアルゴリズムの性能を定量的に評価することにより,光グラディエントブースティングマシン(LightGBM)アルゴリズムが全体として他のアルゴリズムより優れていることを示す。
  論文  参考訳（メタデータ） (2022-01-30T19:50:16Z)
• Shaping Deep Feature Space towards Gaussian Mixture for Visual Classification [74.48695037007306]
  視覚分類のためのディープニューラルネットワークのためのガウス混合損失関数(GM)を提案する。 分類マージンと可能性正規化により、GM損失は高い分類性能と特徴分布の正確なモデリングの両方を促進する。 提案したモデルは、追加のトレーニング可能なパラメータを使わずに、簡単かつ効率的に実装できる。
  論文  参考訳（メタデータ） (2020-11-18T03:32:27Z)
• Uncertainty Estimation Using a Single Deep Deterministic Neural Network [66.26231423824089]
  本稿では,1回のフォワードパスで,テスト時に分布データポイントの発見と拒否が可能な決定論的ディープモデルを訓練する手法を提案する。 我々は,新しい損失関数とセントロイド更新方式を用いて,これらをスケールトレーニングし,ソフトマックスモデルの精度に適合させる。
  論文  参考訳（メタデータ） (2020-03-04T12:27:36Z)

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。