論文の概要: Multi-perspective Imbalance-Conscious 6G Beamforming Optimization and Performance

• arxiv url: http://arxiv.org/abs/2608.12929v1
• Date: Thu, 13 Aug 2026 08:08:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-14 18:29:38.437501
• Title: Multi-perspective Imbalance-Conscious 6G Beamforming Optimization and Performance
• Title（参考訳）: マルチパースペクティブ不均衡型6Gビームフォーミング最適化と性能
• Abstract要約: 本研究は,教師なしおよび教師なしアプローチを用いた6G-IoTビームフォーミング最適化(6GBO)の体系的機械学習研究である。 ネットワーク, 環境, デバイス, 視覚機能群を6GBOで比較した。 いくつかの不均衡認識実験により、ネットワークの特徴はデバイス、環境、視覚特徴群よりも優れた予測能力を有することが明らかとなった。
• 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: The study presents a systematic machine learning (ML) study of 6G-IoT beamforming optimization (6GBO) using supervised and unsupervised approaches. We compared the predictive power of network, environmental, device, and vision feature groups for 6GBO. Additionally, it addressed other unsupervised perspectives that can enhance 6GBO, including clustering network scenarios using methods such as K-means, DBSCAN, and hierarchical clustering. Several imbalance-aware experiments revealed that network features possess better prediction power than device, environmental, and vision feature groups, as evidenced by their recall, F1-score and ROC-AUC values. For unsupervised ML exploration (assessed using Elbow, Silhouette score, and Davies-Bouldin Index methods), the results indicate that the deployment environment and type of device primarily influence clustering, rather than mobility-based attributes. Furthermore, the explainability analysis showed that bandwidth, IoT sensors, and mobility possess higher global feature importance across the feature groups. In the future, we would apply deep and reinforcement learning techniques to predict throughput/latency or to optimize rewards determined by performance indicators like SNR enhancement
• Abstract（参考訳）: 本研究では,教師付きおよび教師なしアプローチを用いた6G-IoTビームフォーミング最適化(6GBO)の体系的機械学習(ML)研究を提案する。 ネットワーク, 環境, デバイス, 視覚特徴群の予測能力を6GBOで比較した。 さらに、K-means、DBSCAN、階層的クラスタリングといった手法を使ったクラスタリングネットワークシナリオを含む、6GBOを拡張可能な他の教師なしの視点にも対処した。 不均衡を意識したいくつかの実験では、ネットワークの特徴がデバイス、環境、視覚の特徴群よりも優れた予測能力を持つことが示され、そのリコール、F1スコア、ROC-AUC値によって証明された。 教師なしML探索(Elbow、Silhouette score、Davies-Bouldin Index法を用いて評価)では、配置環境とデバイスの種類が、モビリティベースの属性よりもクラスタリングに大きく影響していることが示されている。 さらに、説明可能性分析により、帯域幅、IoTセンサー、モビリティが、機能グループ全体でのグローバルな機能の重要性が高いことが示された。 将来的には、スループット/レイテンシを予測したり、SNRの強化のようなパフォーマンス指標によって決定された報酬を最適化するために、深層・強化学習技術を適用します。

関連論文リスト

• JEPA for AI-Native 6G: Predictive Representations and Open Challenges [27.750083239158567]
  6Gネットワークは、学習モジュールがRAN(Radio Access Network)、エッジ、コアに埋め込まれる、AIネイティブなオペレーションに向かっている。 JEPA(Joint-embedding predictive Architecture)はこの設定において有望な自己監督型パラダイムである。 本稿では6GインテリジェンスのためのJEPAに関する無線指向チュートリアルを紹介する。
  論文  参考訳（メタデータ） (2026-07-09T14:10:09Z)
• i-IF-Learn: Iterative Feature Selection and Unsupervised Learning for High-Dimensional Complex Data [5.761834753104483]
  i-IF-Learnは、機能選択とクラスタリングを共同で実行する教師なしのフレームワークである。 我々の中心となる革新は、擬似ラベル監視と教師なし信号とを効果的に組み合わせた適応的特徴選択統計である。 遺伝子マイクロアレイと単細胞RNA-seqデータセットの実験により、i-IF-Learnは古典的および深層クラスタリングベースラインを著しく超えることが示された。
  論文  参考訳（メタデータ） (2026-03-25T07:35:38Z)
• Agentic AI as a Network Control-Plane Intelligence Layer for Federated Learning over 6G [47.84137752186323]
  6Gネットワーク上でのフェデレーション学習を管理するための制御層としてエージェントAIを提案する。 検索、計画、コーディング、評価に焦点を当てた専門エージェントのセットは、クライアントの選択、インセンティブ構造化、スケジューリング、リソース割り当て、適応的なローカルトレーニング、コード生成を扱う。 クローズドループ評価とメモリの使用により、システムは決定を一貫して洗練することができる。
  論文  参考訳（メタデータ） (2026-03-10T03:27:33Z)
• Target Refocusing via Attention Redistribution for Open-Vocabulary Semantic Segmentation: An Explainability Perspective [47.99651635870674]
  本研究では,人間の注意を標的領域へ向けて注意を向けるために,注意喚起行動のエミュレートを行うトレーニングフリーアプローチを提案する。 提案手法は,高い推論効率を維持しつつ,8つのベンチマーク上でのSOTA性能を実現する。
  論文  参考訳（メタデータ） (2025-11-20T09:16:33Z)
• A Fuzzy Logic-Based Framework for Explainable Machine Learning in Big Data Analytics [0.0]
  本稿では,2型ファジィ集合,粒度計算,クラスタリングを組み合わせて,ビッグデータ環境における説明可能性と公平性を高める新しいフレームワークを提案する。 UCI Air Qualityデータセットに適用した場合、このフレームワークはノイズの多いセンサデータの不確実性を効果的に管理し、言語規則を作成し、シルエットスコアとエントロピーを用いて公平さを評価する。
  論文  参考訳（メタデータ） (2025-09-29T18:02:31Z)
• Green Learning for STAR-RIS mmWave Systems with Implicit CSI [53.03358325565645]
  再構成可能なインテリジェントサーフェス (STAR-RIS) 支援ミリ波放送システム (mmWave) を同時に送信し, 反射するグリーンラーニング (GL) ベースのプリコーディングフレームワークを提案する。 本研究は,将来の6Gネットワークにおける環境持続可能性を重視し,複数のユーザが同一情報を共有し,スペクトル効率を向上し,冗長伝送と電力消費を低減させるシナリオに,トランスミッションフレームワークを採用する。
  論文  参考訳（メタデータ） (2025-09-08T15:56:06Z)
• Refining Filter Global Feature Weighting for Fully-Unsupervised Clustering [0.0]
  教師なし学習では、効果的なクラスタリングが、ラベルのないデータからパターンや洞察を明らかにする上で重要な役割を果たす。 本稿では,クラスタリングのための特徴重み付けについて検討し,SHAP(SHapley Additive exPlanations)に基づく手法を含む新しい重み付け手法を提案する。 実験により、SHAPに基づく特徴重み付けは、教師なしクラスタリングの品質を高め、他の重み付け法よりも最大22.69%改善できることを示した。
  論文  参考訳（メタデータ） (2025-03-12T13:14:09Z)
• Explainable and Robust Millimeter Wave Beam Alignment for AI-Native 6G Networks [18.49800990388549]
  本稿では,ミリ波マルチインプット多重出力(MIMO)システムのための,頑健な深層学習(DL)ベースのビームアライメントエンジン(BAE)を開発した。 CNNベースのBAEは、受信信号強度指標(RSSI)をワイドビームのセット上で測定し、UE毎に最適な狭ビームを正確に予測する。 提案するフレームワークは、検出の堅牢性を最大5倍改善し、ビーム予測決定に関するより明確な洞察を提供する。
  論文  参考訳（メタデータ） (2025-01-23T09:47:54Z)
• Task-Oriented Real-time Visual Inference for IoVT Systems: A Co-design Framework of Neural Networks and Edge Deployment [61.20689382879937]
  タスク指向エッジコンピューティングは、データ分析をエッジにシフトすることで、この問題に対処する。 既存の手法は、高いモデル性能と低いリソース消費のバランスをとるのに苦労している。 ニューラルネットワークアーキテクチャを最適化する新しい協調設計フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-29T19:02:54Z)
• CueGCL: Cluster-aware Personalized Self-Training for Unsupervised Graph Contrastive Learning [49.88192702588169]
  本稿ではクラスタリング結果とノード表現を協調的に学習するクラスタ対応グラフコントラスト学習フレームワーク(CueGCL)を提案する。 具体的には、教師なしシナリオのためのパーソナライズされた自己学習(PeST)戦略を設計し、クラスタレベルのパーソナライズされた正確な情報をモデルが取得できるようにする。 本稿では,モデルの有効性を理論的に実証し,クラスタ構造が著しく識別可能な埋め込み空間が得られることを示した。
  論文  参考訳（メタデータ） (2023-11-18T13:45:21Z)
• GraphLearner: Graph Node Clustering with Fully Learnable Augmentation [76.63963385662426]
  Contrastive Deep Graph Clustering (CDGC)は、異なるクラスタにノードをグループ化するために、コントラスト学習のパワーを活用する。 我々は、GraphLearnerと呼ばれる、完全学習可能な拡張を備えたグラフノードクラスタリングを提案する。 学習可能な拡張器を導入し、CDGCのための高品質でタスク固有の拡張サンプルを生成する。
  論文  参考訳（メタデータ） (2022-12-07T10:19:39Z)
• Mastering the Unsupervised Reinforcement Learning Benchmark from Pixels [112.63440666617494]
  強化学習アルゴリズムは成功するが、エージェントと環境の間の大量の相互作用を必要とする。 本稿では,教師なしモデルベースRLを用いてエージェントを事前学習する手法を提案する。 我々はReal-Word RLベンチマークにおいて、適応中の環境摂動に対する抵抗性を示唆し、堅牢な性能を示す。
  論文  参考訳（メタデータ） (2022-09-24T14:22:29Z)
• Adversarial Feature Augmentation and Normalization for Visual Recognition [109.6834687220478]
  最近のコンピュータビジョンの進歩は、分類モデルの一般化能力を改善するために、逆データ拡張を利用する。 本稿では,中間的特徴埋め込みにおける敵対的拡張を提唱する効率的かつ効率的な代替手法を提案する。 代表的なバックボーンネットワークを用いて,多様な視覚認識タスクにまたがる提案手法を検証する。
  論文  参考訳（メタデータ） (2021-03-22T20:36:34Z)

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。