論文の概要: Physics-informed VAE-EVT for Tail Aware Radio Map Prediction
- arxiv url: http://arxiv.org/abs/2608.15314v1
- Date: Sat, 15 Aug 2026 16:41:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-18 19:59:03.257639
- Title: Physics-informed VAE-EVT for Tail Aware Radio Map Prediction
- Title（参考訳）: 物理インフォームドVAE-EVTによる無線地図予測
- Abstract要約: 従来の生成無線マップモデルは、平均的な信号レベルを再構築することに集中する傾向にある。
SNRのバルク分布とテール分布の両方をモデル化する物理およびテールインフォームドVAE-EVTフレームワークを提案する。
提案手法は,低しきい値0.1%のSNR量子化で定義される停止領域において,4.83dBのSNR RMSEを実現する。
- 参考スコア（独自算出の注目度）: 6.060608897979257
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Ultra-reliable low-latency communication (URLLC) requires precise identification of spatial regions where the signal-to-noise ratio (SNR) falls below an outage threshold. In this context, an outage refers to instances in which SNR falls below a specified threshold, which, for URLLC, can be as stringent as the 0.1% quantile of the SNR distribution. Traditional generative radio map models tend to focus on reconstructing average signal levels, often overlooking the low SNR that is crucial for accurate outage prediction. To address this limitation, we introduce a physics- and tail-informed VAE-EVT (variational autoencoder-extreme value theory) framework that distinctly models both the bulk and tail distribution of SNR. Our approach begins with a physics-informed preprocessing stage that extracts deterministic features, including line-of-sight, shadowing, and distance, from the scene geometry. A dual-latent encoder then captures the bulk SNR using a Gaussian mixture and the tail using a generalized Pareto distribution (GPD). By employing a modified variational objective, the model is trained to jointly supervise both regimes, ensuring focused attention on extreme fading events. Evaluated on the RadioMapSeer dataset, our method achieves an SNR RMSE of 4.83 dB in the outage region defined by the low threshold of 0.1% SNR quantile. This significantly outperforms the state-of-the-art GAN-based model, which records an SNR RMSE of 21.90 dB, with the performance gap widening as the outage threshold becomes more stringent.
- Abstract（参考訳）: 超信頼性低遅延通信(URLLC)では、信号対雑音比(SNR)が停止閾値未満の空間領域を正確に識別する必要がある。
この文脈では、障害とは、SNRが特定のしきい値以下に該当するインスタンスを指し、URLLCの場合、SNR分布の0.1%の量子化値と同じくらい拘束力を持つ。
従来の生成無線マップモデルは、平均的な信号レベルを再構築することに集中する傾向があり、しばしば正確な故障予測に不可欠である低いSNRを見渡す。
この制限に対処するために、SNRのバルク分布とテール分布の両方をモデル化する物理およびテールインフォームドVAE-EVT(可変オートエンコーダ-エクストリーム値理論)フレームワークを導入する。
我々のアプローチは、視線、影、距離などの決定論的特徴をシーン幾何学から抽出する物理インフォームドプリプロセッシング段階から始まります。
二重遅延エンコーダは、一般化されたパレート分布(GPD)を用いてガウス混合とテールを用いてバルクSNRを捕捉する。
修正された変動目標を用いることで、このモデルは両方の体制を共同で監督し、極端な暗色イベントに注意を集中するように訓練される。
提案手法はRadioMapSeerデータセットに基づいて,0.1%のSNR量子化の低しきい値で定義される停止領域において4.83dBのSNR RMSEを達成する。
これは、21.90dBのSNR RMSEを記録し、停止閾値がより厳密になるにつれてパフォーマンスギャップが拡大する、最先端のGANベースのモデルよりも大幅に向上する。
関連論文リスト
- RadioTrace: Transmitter-Aware Diffusion for Radio Map Estimation without Deployment-Time Fine-Tuning [12.743046925489663]
無線マップ(RM)推定は,スパース測定から無線信号特性の空間分布を再構成することを目的としている。
ディープラーニングを含む従来のアプローチでは、複雑な伝播効果を捉えるのに苦労するか、新しいサンプリングパターンごとに大規模な再トレーニングが必要になる。
デプロイ時の微調整を伴わない新しいRM推定フレームワークであるRadioTraceを提案する。
論文 参考訳（メタデータ） (2026-07-23T04:18:39Z) - Drift-Aware RL-based Wavelet Denoising for Network-Traffic Anomaly Detection [1.5469452301122173]
ネットワーク監視のための交通利用測定は、付加雑音と統計的ドリフトによって損なわれる。
2つのタスクに最適化された前処理層として適応ウェーブレットをデノナイズするドリフト対応フレームワークを提案する。
論文 参考訳（メタデータ） (2026-07-22T10:52:05Z) - SATB-VR: Training Few-Step Video Restoration Diffusion Model using SNR-Aware Trajectory Blending [55.764018145256216]
本稿では,補助予測器を介してデノナイジングプロセスを開始する数ステップのパラダイムであるSATB-VRを提案する。
我々は,SATB-VRが,合成,実世界,AIGCベンチマークにおける既存のアプローチに対して良好に動作することを示す。
論文 参考訳（メタデータ） (2026-06-27T01:32:16Z) - Unveiling the Mechanism of Continuous Representation Full-Waveform Inversion: A Wave Based Neural Tangent Kernel Framework [52.632217600064344]
フルウェーブフォーム・インバージョン(FWI)は、限られた測定値から波動方程式の物理パラメータを推定する。
FWI法は初期モデルの精度に対する悪名高い感度によって制限されている。
連続表現 FWI (CR-FWI) の最近の進歩は、暗黙的ニューラル表現 (INR) のような座標ベースニューラルネットワークによるパラメータモデルを表現することで、初期モデルへの依存を緩和できることを実証している。
論文 参考訳（メタデータ） (2026-03-23T03:22:33Z) - 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) - Structure-Informed Estimation for Pilot-Limited MIMO Channels via Tensor Decomposition [51.56484100374058]
本稿では、スパース観測から低ランクテンソル完備化としてパイロットリミテッドチャネル推定を定式化する。
合成チャネル実験による最小二乗平均二乗誤差(NMSE)の最小二乗平均誤差(LS)に対する改善
DeepMIMO線トレーシングチャネルの評価では、純粋なテンソル法よりも24-44%NMSEが減少している。
論文 参考訳（メタデータ） (2026-02-03T23:38:05Z) - Generative MIMO Beam Map Construction for Location Recovery and Beam Tracking [67.65578956523403]
本稿では,スパースチャネル状態情報(CSI)から位置ラベルを直接復元する生成フレームワークを提案する。
生のCSIを直接格納する代わりに、小型の低次元無線地図の埋め込みを学び、生成モデルを利用して高次元CSIを再構築する。
数値実験により,NLOSシナリオにおける局所化精度が30%以上向上し,20%のキャパシティゲインが得られることが示された。
論文 参考訳（メタデータ） (2025-11-21T07:25:49Z) - Diffusion-based Generative Prior for Low-Complexity MIMO Channel
Estimation [12.192048506302015]
本研究は拡散モデルに基づく新しいチャネル推定器を提案する。
信号対雑音比(SNR)情報を位置埋め込みしたCNNは、疎角領域におけるチャネル分布を学習して設計する。
その結果, 生成前駆体を用いた最先端チャネル推定装置よりも優れた性能を示した。
論文 参考訳（メタデータ） (2024-03-06T08:47:31Z) - A Comparative Study of Deep Learning and Iterative Algorithms for Joint Channel Estimation and Signal Detection in OFDM Systems [11.190815358585137]
周波数分割多重化システムでは,共同チャネル推定と信号検出が重要である。
従来のアルゴリズムは低信号対雑音比(SNR)のシナリオでは不十分である。
深層学習 (DL) 手法は検討されているが, 計算コストや低SNR設定による検証の欠如が懸念されている。
論文 参考訳（メタデータ） (2023-03-07T06:34:04Z) - 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。