論文の概要: A Deep Generative Model for Synthesizing Labeled Wireless Signals

• arxiv url: http://arxiv.org/abs/2609.05396v1
• Date: Fri, 04 Sep 2026 17:44:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-07 18:15:24.144222
• Title: A Deep Generative Model for Synthesizing Labeled Wireless Signals
• Title（参考訳）: ラベリング無線信号の合成のための深部生成モデル
• Abstract要約: 本稿では,新しい深層学習手法であるInter-Instance Generative Adrial Networks (IIns-GAN)を導入し,リアルなラベル付き無線信号を生成する。 生成された信号は、異なる環境シナリオに特に適応しており、様々なモデルトレーニングタスクに適しています。 その結果,IIns-GANが生成した信号は実世界の測定の物理的特性を反映していることがわかった。
• 参考スコア（独自算出の注目度）: 20.975071545606436
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Wireless signals with position-related labels are pivotal for both performance evaluation and model training in the realm of wireless sensing. However, acquiring real-world datasets is often challenged by significant measurement and labeling costs. Traditional methods for synthesizing labeled wireless signals typically rely on environmental models, leading to extensive hyper-parameter tuning and inadequate realism for comprehensive model training purposes. To address these limitations, we introduce a novel deep learning (DL)-based method, namely Inter-Instance Generative Adversarial Networks (IIns-GAN), to generate realistic labeled wireless signals. The generated signals are particularly adaptive to different environment scenarios and well-suited for various model training tasks, including distance estimation and environment identification. We have conducted extensive experiments on public Ultra-Wideband (UWB) datasets to evaluate the realism and utility of the generated signals. The results demonstrate that the signals generated by IIns-GAN mirror the physical characteristics of real-world measurements, and significantly contribute to the improvement of model training in diverse wireless sensing tasks.
• Abstract（参考訳）: 位置関連ラベルを持つ無線信号は、無線センシングの領域における性能評価とモデルトレーニングの両方において重要である。 しかし、実世界のデータセットの取得は、しばしば大きな測定とラベル付けのコストによって困難に晒される。 ラベル付き無線信号を合成する従来の手法は、一般的に環境モデルに依存しており、広範囲なハイパーパラメータチューニングや、包括的なモデルトレーニングのための現実主義の欠如につながっている。 これらの制約に対処するため,我々は,新しい深層学習(DL)ベースの手法,すなわちIIns-GAN(Inter-Instance Generative Adversarial Networks)を導入し,リアルなラベル付き無線信号を生成する。 生成された信号は、特に異なる環境シナリオに適応し、距離推定や環境同定を含む様々なモデルトレーニングタスクに適している。 我々は, 公共UWB(Ultra-Wideband)データセットを用いて, 生成した信号のリアリズムと有用性を評価するために, 広範囲にわたる実験を行った。 その結果,IIns-GANが生成した信号は実空間計測の物理的特性を反映し,多様な無線センシングタスクにおけるモデルトレーニングの改善に大きく寄与していることがわかった。

関連論文リスト

• Implicit Neural Representations: A Signal Processing Perspective [54.57279006229212]
  入射神経表現(INR)は、離散的なサンプルデータから連続的な機能的表現へと、信号モデリングの根本的な変化を示す。 本稿では、信号処理の観点からのINRの進化を考察し、スペクトル挙動、サンプリング理論、マルチスケール表現を強調する。 医療・レーダ画像の逆問題,圧縮,3次元シーン表現など,幅広い応用分野におけるINRの有用性を強調した。
  論文  参考訳（メタデータ） (2026-04-16T14:12:06Z)
• Semantically Annotated Multimodal Dataset for RF Interpretation and Prediction [4.872063946977515]
  無線モデリングとRF(Radio frequency)ベースのAIの現在の制限は、RF信号を物理的な環境に接続する高品質な計測ベースのデータセットの欠如によって引き起こされている。 本稿では,RF計測と高分解能カメラやライダーなどの補助的モダリティを組み合わせることで,RF信号と物理的原因とのギャップを埋める新しいマルチモーダルデータセットを提案する。
  論文  参考訳（メタデータ） (2026-04-01T22:18:01Z)
• 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)
• Physical-Layer Semantic-Aware Network for Zero-Shot Wireless Sensing [74.12670841657038]
  デバイスレスワイヤレスセンシングは、幅広い没入型人間機械対話型アプリケーションをサポートする可能性から、近年、大きな関心を集めている。 無線信号におけるデータの均一性と分散センシングにおけるデータプライバシ規制は、広域ネットワークシステムにおける無線センシングの広範な適用を妨げる主要な課題であると考えられている。 そこで本研究では,ラベル付きデータを使わずに,一箇所ないし限られた箇所で構築されたモデルを直接他の場所に転送できるゼロショット無線センシングソリューションを提案する。
  論文  参考訳（メタデータ） (2023-12-08T13:50:30Z)
• Radio Generation Using Generative Adversarial Networks with An Unrolled Design [18.049453261384013]
  無線生成のための新しいGANフレームワーク「Radio GAN」を開発した。 1つ目は、電波信号のサンプリング分布をモデル化することを目的としたサンプリングポイントに基づく学習である。 2つ目は、未学習のジェネレータ設計であり、予測された純粋な信号分布を前者として組み合わせることで、学習の難易度を大幅に低減することができる。
  論文  参考訳（メタデータ） (2023-06-24T07:47:22Z)
• Disentangled Representation Learning for RF Fingerprint Extraction under Unknown Channel Statistics [77.13542705329328]
  本稿では,まず,不整合表現学習(DRL)の枠組みを提案し,入力信号を逆学習によりデバイス関連成分とデバイス関連成分に分解する。 提案フレームワークにおける暗黙的なデータ拡張は、デバイス非関連チャネル統計の過度な適合を避けるために、RFF抽出器に正規化を課す。 実験により、DR-RFFと呼ばれる提案手法は、未知の複雑な伝播環境に対する一般化可能性の観点から従来の手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2022-08-04T15:46:48Z)
• Decision Forest Based EMG Signal Classification with Low Volume Dataset Augmented with Random Variance Gaussian Noise [51.76329821186873]
  我々は6種類の手振りを限定的なサンプル数で分類できるモデルを作成し、より広い聴衆によく一般化する。 信号のランダムなバウンドの使用など、より基本的な手法のセットにアピールするが、これらの手法がオンライン環境で持てる力を示したいと考えている。
  論文  参考訳（メタデータ） (2022-06-29T23:22:18Z)
• Model-based Deep Learning Receiver Design for Rate-Splitting Multiple Access [65.21117658030235]
  本研究では,モデルベース深層学習(MBDL)に基づく実用的なRSMA受信機の設計を提案する。 MBDL受信機は、符号なしシンボル誤り率(SER)、リンクレベルシミュレーション(LLS)によるスループット性能、平均トレーニングオーバーヘッドの観点から評価される。 その結果,MBDLはCSIRが不完全なSIC受信機よりも優れていた。
  論文  参考訳（メタデータ） (2022-05-02T12:23:55Z)
• Multi-task Learning Approach for Modulation and Wireless Signal Classification for 5G and Beyond: Edge Deployment via Model Compression [1.218340575383456]
  将来的な通信網は、異種無線デバイスの成長に対応するために、少ないスペクトルに対処する必要がある。 我々は、深層ニューラルネットワークに基づくマルチタスク学習フレームワークの可能性を利用して、変調と信号分類タスクを同時に学習する。 公共利用のための包括的ヘテロジニアス無線信号データセットを提供する。
  論文  参考訳（メタデータ） (2022-02-26T14:51:02Z)
• ChaRRNets: Channel Robust Representation Networks for RF Fingerprinting [0.0]
  RFフィンガープリントのための複雑値畳み込みニューラルネットワーク(CNN)を提案する。 我々は,深層学習(dl)技術を用いた無線iotデバイスの指紋認証の問題に注目する。
  論文  参考訳（メタデータ） (2021-05-08T03:03:21Z)

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。