論文の概要: Reliable Near-Field Multi-User Positioning Informed by Two-Stage MUSIC
- arxiv url: http://arxiv.org/abs/2609.09409v1
- Date: Tue, 08 Sep 2026 20:03:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-10 19:44:08.805737
- Title: Reliable Near-Field Multi-User Positioning Informed by Two-Stage MUSIC
- Title（参考訳）: 2段階MUSICによる信頼度近距離マルチユーザ位置決め
- Abstract要約: 近距離場ローカライゼーションは、将来の無線システムにおける高解像度マルチユーザ位置決めのための有望な技術である。
パラメータ推定とパス/ソースアソシエーションを分離する必要のある既存のニアフィールドローカライズ手法では,オーバヘッドと累積誤差に悩まされている。
本稿では,2段階のMUltiple SIgnal Classification (MUSIC) を用いて,Lose-of-sight (LoS) とNon-LoS (NLoS) の混在シナリオにおいてエンド・ツー・エンドな位置決め型ディープラーニング(DL) フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 52.33021019321273
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Near-field localization is a promising technique for high-resolution multi-user positioning in future wireless systems, but its performance is often degraded by scattering-induced coherent propagation. Existing near-field localization methods, which require separate parameter estimation and path/source association, suffer from high computation overhead and accumulated errors, and usually do not provide any guarantee on reliability. In this paper, we propose \emph{MUSIC-Net}, an end-to-end near-field positioning deep learning (DL) framework informed by two-stage MUltiple SIgnal Classification (MUSIC) in mixed line-of-sight (LoS) and non-LoS (NLoS) multi-path scenarios, which embeds the two-stage MUSIC objects into training to isolate the LoS-related signal subspace and to identify a surrogate distance. The proposed framework directly recovers multi-user positions without the need for involved NLoS parameter estimation or path/source association. Furthermore, we introduce split conformal prediction (SCP) to move beyond point-estimation-based positioning towards statistically guaranteed (confidence) set estimation for all users. Numerical results show that the proposed MUSIC-Net achieves lower mean positioning error (MPER) than existing benchmarks and yields tighter SCP-calibrated prediction regions, demonstrating both accurate LoS localization and efficient uncertainty quantification (UQ) in coherent multi-path environments.
- Abstract（参考訳）: 近接場ローカライゼーションは将来の無線システムにおける高分解能マルチユーザ位置決めにおいて有望な手法であるが,その性能は散乱誘起コヒーレント伝播によって劣化することが多い。
パラメータ推定とパス/ソースアソシエーションを分離する必要のある既存のニアフィールドローカライズ手法は、高い計算オーバーヘッドと累積誤差に悩まされ、信頼性の保証は提供されない。
本稿では,2段階のMUltiple SIgnal Classification (MUSIC) と非LoS (NLoS) の混在するマルチパスシナリオにおいて,両段階のMUSICオブジェクトを組み込んで,LoS関連信号サブスペースを分離し,サロゲート距離を特定することによって,エンド・ツー・エンドの深層学習(DL)フレームワークである \emph{MUSIC-Net}を提案する。
提案フレームワークは,NLoSパラメータ推定やパス/ソースアソシエーションを必要とせずに,マルチユーザ位置を直接復元する。
さらに,スプリットコンフォメーション予測(SCP)を導入し,全てのユーザに対して統計的に保証された(信頼)セット推定へ向けて,ポイント推定に基づく位置推定を超越する。
MUSIC-Netは既存のベンチマークよりも低い平均位置決め誤差(MPER)を達成し、より厳密なSCP校正予測領域を実現し、コヒーレントなマルチパス環境における正確なLoS局在化と効率的な不確実性定量化(UQ)を実証した。
関連論文リスト
- Scalable Lindblad Noise Learning via Stochastic Tensor-Network Simulation [48.887627688666974]
大規模オープン量子システムにおける学習散逸率は、短期量子技術の大きな障害である。
本稿では,シミュレーション手法であるJump Method(TJM)を組み合わせたLindblad散逸率のスケーラブルなノイズ学習フレームワークを提案する。
我々は,Isingモデルにおける2つのノイズモデルに対するアプローチを実証し,各サイトについて,N_mathrmsite=16$まで独立散逸率を学習した。
スケーラブルな数値と厳密な理論的保証の組み合わせは、TJMベースのノイズ学習を大きな量子デバイスにおける散逸を特徴づける実用的な基礎として位置づけている。
論文 参考訳（メタデータ） (2026-08-25T15:07:11Z) - LOCUS-DT: Localization via Observation-Conditioned Uncertainty Scoring with Digital Twins [30.33598771439331]
本稿では,送信機位置上の後部推論としてスナップショットローカライゼーションを扱うLOCUS-DTを提案する。
既知の環境のレイトレーシングに基づくディジタルツイン(DT)を利用して、LOCUS-DTは候補位置の合成マルチパスプロファイルを生成する。
Sionna-based ray-tracing backend を用いてシステム評価を行い、LOCUS-DT が標準ガウスまたはガウス混合ベンチマークよりも正確に屋内環境に固有のシャープでマルチモーダルな後部構造を捉えることを示した。
論文 参考訳（メタデータ） (2026-08-01T03:02:15Z) - Privacy-Preserving Decentralized Cooperative Localization with Range-Only Measurements: A Convex Optimization Based Approach [12.542964150821321]
従来の協調的なアプローチでは、ネットワーク全体で明示的な空間座標を共有する必要がある。
本稿では,凸最適化に基づくプライバシ保護型分散協調型ローカライゼーションフレームワークを提案する。
当社のフレームワークは,運用上のプライバシを保証し,高度にスケーラブルで並列化可能な計算を維持しつつ,既存のSDPベースのローカライゼーション手法を精度良く実現している。
論文 参考訳（メタデータ） (2026-06-29T00:39:51Z) - Exact Stiefel Optimization for Probabilistic PLS: Closed-Form Updates, Error Bounds, and Calibrated Uncertainty [5.844591976842085]
本研究では,雑音事前推定,制約付き確率最適化,予測キャリブレーションを組み合わせたエンドツーエンドフレームワークを開発した。
我々は、任意のガウス化により、このフレームワークをガウス以下の設定に拡張し、ブロック構造フィッシャー解析により、クローズドフォームの標準エラーを提供する。
論文 参考訳（メタデータ） (2026-05-12T06:38:12Z) - Quantum-Circuit Framework for Two-Stage Stochastic Programming via QAOA Integrated with a Quantum Generative Neural Network [1.7240671897505615]
2段階プログラミングは、しばしば不確実性をシナリオに識別するが、シナリオはシナリオ数において少なくとも線形にrecourse予測評価尺度を作成する。
本稿では,事前学習した逆数ネットワークがシナリオ分布を符号化する量子回路統合ワークフローを提案する。
論文 参考訳（メタデータ） (2025-12-27T02:03:33Z) - Near Field Localization via AI-Aided Subspace Methods [26.766424869535975]
NF-SubspaceNetは深層学習で強化された2次元MUSICアルゴリズムで,サロゲート共分散行列を学習し,挑戦条件下での局所化を改善する。
また,学習のためのAIモデルとして,近接場部分空間法を鋳造することと組み合わせて,情報源数を正確に推定する新しいモデル順序対応訓練手法を開発した。
論文 参考訳（メタデータ） (2025-04-01T09:57:01Z) - Stable Neighbor Denoising for Source-free Domain Adaptive Segmentation [91.83820250747935]
擬似ラベルノイズは主に不安定なサンプルに含まれており、ほとんどのピクセルの予測は自己学習中に大きく変化する。
我々は, 安定・不安定な試料を効果的に発見する, SND(Stable Neighbor Denoising)アプローチを導入する。
SNDは、様々なSFUDAセマンティックセグメンテーション設定における最先端メソッドよりも一貫して優れている。
論文 参考訳（メタデータ） (2024-06-10T21:44:52Z) - Asynchronous Federated Stochastic Optimization for Heterogeneous Objectives Under Arbitrary Delays [1.9766522384767224]
underlineAsynchunderlineRonous underlineExact underlineAveraging (textscAREA)
textscAREAは勾配推定よりもモデル残差を通信し、勾配反転への露出を減らす。
最初は、最低または最大ではなく、平均的なクライアント更新頻度でスケールするレートを取得しました。
論文 参考訳（メタデータ） (2024-05-16T14:22:49Z) - Deep Reinforcement Learning for IRS Phase Shift Design in
Spatiotemporally Correlated Environments [93.30657979626858]
本稿では,チャネル相関と目的地動きを考慮したディープアクター批判アルゴリズムを提案する。
チャネルが時間的に相関している場合、コンバージェンスを抑制する方法において、関数近似を伴う状態表現にSNRを組み込むことが示される。
論文 参考訳（メタデータ） (2022-11-02T22:07:36Z) - Collaborative Uncertainty Benefits Multi-Agent Multi-Modal Trajectory Forecasting [61.02295959343446]
この研究はまず、相互作用モジュールから生じる不確実性をモデル化する新しい概念であるコラボレーティブ不確実性(CU)を提案する。
我々は、回帰と不確実性推定の両方を行うために、元の置換同変不確かさ推定器を備えた一般的なCU対応回帰フレームワークを構築した。
提案するフレームワークを,プラグインモジュールとして現在のSOTAマルチエージェント軌道予測システムに適用する。
論文 参考訳（メタデータ） (2022-07-11T21:17:41Z) - Higher Performance Visual Tracking with Dual-Modal Localization [106.91097443275035]
Visual Object Tracking (VOT)は、堅牢性と正確性の両方に同期性を必要とする。
ONRによるロバストなローカリゼーション抑制器とOFCによるターゲットセンターへの正確なローカリゼーションにより、ターゲットローカリゼーションのためのデュアルモーダルフレームワークを提案します。
論文 参考訳（メタデータ） (2021-03-18T08:47:56Z)
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。