論文の概要: TRACE-CRC: Trajectory-Adaptive Conformal Risk Control for Multi-Step Channel State Information Prediction
- arxiv url: http://arxiv.org/abs/2608.27124v1
- Date: Thu, 27 Aug 2026 13:39:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-28 16:30:58.41951
- Title: TRACE-CRC: Trajectory-Adaptive Conformal Risk Control for Multi-Step Channel State Information Prediction
- Title（参考訳）: TRACE-CRC:マルチステップチャネル状態情報予測のための軌道適応型コンフォーマルリスク制御
- Abstract要約: 共形リスク制御(TRACE-CRC)を用いた軌道適応キャリブレーションと誤差プロファイリングを提案する。
TRACE-CRCは予測されたCSI行列の周りにフロベニウス-ノームの不確実性球を構築し、少なくとも1つの将来のフレームが発見されるリスクを制御する。
実験的に、TRACE-CRCは、保守的な多段階補正よりもかなり小さな不確実性球による信頼性の高い軌道レベルのカバレッジを実現する。
- 参考スコア（独自算出の注目度）: 2.0476421188414275
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Reliable prediction of time-varying channel state information (CSI) is essential for efficient wireless communication. Each CSI frame is a matrix-valued representation of the wireless channel response, and a sequence of CSI frames forms a temporal channel trajectory. Modern deep learning-based CSI predictors, however, often provide only point predictions and lack calibrated uncertainty estimates. This limitation is particularly problematic in multi-step CSI prediction, where the target is a sequence of future CSI matrices, and downstream decisions such as beamforming or scheduling may fail if any part of the predicted trajectory is unreliable. We propose trajectory-adaptive calibration and error profiling with conformal risk control (TRACE-CRC), a method for trajectory-aware uncertainty quantification in multi-step CSI prediction. TRACE-CRC constructs Frobenius-norm uncertainty balls around predicted CSI matrices and controls the risk that at least one future frame is uncovered. Instead of calibrating each future step independently, TRACE-CRC combines future-step-dependent error profiling, trajectory difficulty stratification, and learn-then-test (LTT) risk control. Empirically, TRACE-CRC achieves reliable trajectory-level coverage with substantially smaller uncertainty balls than conservative multi-step corrections, while avoiding the trajectory undercoverage of compact stepwise and adaptive conformal baselines.
- Abstract（参考訳）: 効率的な無線通信には,時間変化チャネル状態情報(CSI)の信頼性予測が不可欠である。
各CSIフレームは、無線チャネル応答の行列値表現であり、CSIフレームのシーケンスは、時間チャネル軌跡を形成する。
しかし、現代のディープラーニングベースのCSI予測器は、ポイント予測のみを提供し、キャリブレーションされた不確実性推定を欠いていることが多い。
この制限は、ターゲットが将来のCSI行列の列であり、予測された軌道の一部が信頼できない場合、ビームフォーミングやスケジューリングなどの下流決定が失敗する多段階CSI予測において特に問題となる。
多段階CSI予測における軌道適応型キャリブレーションと誤差プロファイリングと共形リスク制御(TRACE-CRC)を提案する。
TRACE-CRCは予測されたCSI行列の周りにフロベニウス-ノームの不確実性球を構築し、少なくとも1つの将来のフレームが発見されるリスクを制御する。
TRACE-CRCは将来のステップに依存したエラープロファイリング、軌道上の難易度階層化、学習テーマテスト(LTT)リスクコントロールを組み合わせる。
TRACE-CRCは、安定な多段階補正よりもはるかに小さな不確実性球を持つ信頼性の高い軌道レベルカバレッジを実現すると同時に、コンパクトで適応的な整合性ベースラインの軌道内包を回避する。
関連論文リスト
- Event-Structured Physics-Informed Neural Networks for Differentiable Critical Clearing Boundaries [4.920314418301607]
過渡安定度評価は、停電後に電力系統が回復できるかどうかを決定する。
重要な指標は臨界クリアング時間(CCT)であり、同期が失われる前に障害をクリアできる最大時間を指定する。
イベント構造化された物理インフォームドニューラルネットワーク(ES-PINN)を提案する。
論文 参考訳（メタデータ） (2026-07-30T04:56:29Z) - Conformal Changepoint Localization and Root Cause Analysis with Corrupted Observations [55.76952683833966]
本稿では,データ破損時の信頼性設定サイズを低減するために,重み付きCONCH(W-CONCH)と重み付きCROC(W-CROC)を提案する。
画像ベースおよび実世界の変化点と根本原因ベンチマークの実験は、不確実性ベースの重み付けが信頼性セットのサイズを大幅に減少させることを示している。
論文 参考訳（メタデータ） (2026-07-29T05:16:59Z) - ResAD: Normalized Residual Trajectory Modeling for End-to-End Autonomous Driving [64.42138266293202]
ResADは正規化された残留軌道モデリングフレームワークである。
学習タスクを再編成し、慣性参照からの残留偏差を予測する。
NAVSIMベンチマークでは、ResADはバニラ拡散ポリシーを用いて最先端のPDMS 88.6を達成している。
論文 参考訳（メタデータ） (2025-10-09T17:59:36Z) - Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
現実の時系列では欠落値が一般的である。
現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。
このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。
本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
論文 参考訳（メタデータ） (2025-09-27T20:57:48Z) - CRC-SGAD: Conformal Risk Control for Supervised Graph Anomaly Detection [2.290229842388034]
統計リスク制御をグラフ異常検出(GAD)に統合するフレームワークを提案する。
FNR(False Negative Rate)とFPR(False Positive Rate)の両方に対して理論的に保証されたバウンドを提供する。
4つのデータセットと5つのGADモデルに対する実験は、FNRおよびFPR制御および予測セットサイズにおいて統計的に有意な改善を示した。
論文 参考訳（メタデータ） (2025-04-03T03:27:49Z) - Error-quantified Conformal Inference for Time Series [55.11926160774831]
時系列予測の不確かさの定量化は、時系列データの時間的依存と分布シフトのために困難である。
量子化損失関数をスムースにすることで,iError-quantified Conformal Inference (ECI)を提案する。
ECIは有効な誤発見制御と、他のベースラインよりも厳密な予測セットを出力することができる。
論文 参考訳（メタデータ） (2025-02-02T15:02:36Z) - Risk and cross validation in ridge regression with correlated samples [72.59731158970894]
我々は,データポイントが任意の相関関係を持つ場合,リッジ回帰のイン・オブ・サンプルリスクのトレーニング例を提供する。
この設定では、一般化されたクロスバリデーション推定器(GCV)がサンプル外リスクを正確に予測できないことを示す。
さらに、テストポイントがトレーニングセットと非自明な相関を持つ場合、時系列予測でしばしば発生する設定にまで分析を拡張します。
論文 参考訳（メタデータ） (2024-08-08T17:27:29Z) - Cross-Validation Conformal Risk Control [40.2365781482563]
コンフォーマルリスク制御(CRC)は、従来の点予測器にポストホックを適用してキャリブレーションを保証する手法である。
本稿では,従来のCRCの検証ではなく,クロスバリデーションに基づく新しいCRC手法を提案する。
CV-CRCは、設定された予測子の平均リスクに関する理論的保証を提供する。
論文 参考訳（メタデータ） (2024-01-22T14:26:02Z) - Forking Uncertainties: Reliable Prediction and Model Predictive Control
with Sequence Models via Conformal Risk Control [40.918012779935246]
本稿では,事前設計した確率予測器が生成した予測に基づいて,信頼性の高いエラーバーを生成する,新しいポストホックキャリブレーション手法を提案する。
最先端技術とは異なり、PTS-CRCはカバレッジ以上の信頼性定義を満たすことができる。
PTS-CRC予測と制御の性能を,無線ネットワークの文脈における多くのユースケースの研究により実験的に検証した。
論文 参考訳（メタデータ） (2023-10-16T11:35:41Z) - Bayes risk CTC: Controllable CTC alignment in Sequence-to-Sequence tasks [63.189632935619535]
予測アライメントの望ましい特性を強制するためにベイズリスクCTC(BRCTC)を提案する。
BRCTCを他の早期排出の選好と組み合わせることで、オンラインモデルの性能・遅延トレードオフが改善される。
論文 参考訳（メタデータ） (2022-10-14T03:55:36Z)
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。