論文の概要: Rethinking Radiomap Blind Prediction with Limited Environment and Configuration Representations

• arxiv url: http://arxiv.org/abs/2609.11255v1
• Date: Thu, 10 Sep 2026 08:52:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-11 23:53:35.273286
• Title: Rethinking Radiomap Blind Prediction with Limited Environment and Configuration Representations
• Title（参考訳）: 限られた環境と構成表現による地図ブラインド予測の再考
• Abstract要約: ラジオマップブラインド予測は, 観測可能な伝搬環境の表現と基地局構成から, フィールド計測なしで電波マップを推定する。 本稿では,事前誘導予測器を補正可能なベースとして扱うRadioDecompを提案する。 クロスコンフィグレーションおよびクロス環境設定下での実験では、RadioLSRは特にクロスコンフィグレーションの一般化に有効であることが示されている。
• 参考スコア（独自算出の注目度）: 75.34570531766927
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Radiomap blind prediction infers radiomaps from observable representations of the propagation environment and base station (BS) configuration without field measurements. These representations are inherently incomplete and cannot uniquely determine the target radiomap. Under squared loss, we identify the conditional-mean radiomap as the population-optimal deterministic target and decompose domain risk into target-approximation error and irreducible uncertainty. The train-test risk gap motivates propagation priors as cross-domain guidance, although their partial or simplified forms may bias the attainable predictor. We therefore propose RadioDecomp, which treats a prior-guided predictor as a correctable base and uses deterministic residual refinement to learn its remaining predictable discrepancy. We instantiate RadioDecomp as RadioLSR (LoS-Shadow-Residual). Experiments under cross-configuration and cross-environment settings show that RadioLSR is especially effective for cross-configuration generalization and provides overall gains over a controlled monolithic counterpart under cross-environment generalization.
• Abstract（参考訳）: ラジオマップブラインド予測は、伝搬環境の観測可能な表現と基地局(BS)構成から、フィールド計測なしで電波マップを推定する。 これらの表現は本質的に不完全であり、ターゲットの無線マップを一意に決定することはできない。 正方形損失下では、条件平均ラジオマップを人口最適決定目標とし、ドメインリスクを目標近似誤差と既約不確実性に分解する。 トレインテストのリスクギャップは、分岐前をクロスドメインガイダンスとして動機付けるが、その部分的または単純化された形式は到達可能な予測器を偏見させる可能性がある。 そこで,先導予測器を補正可能なベースとして扱うRadioDecompを提案する。 RadioDecomp を RadioLSR (LoS-Shadow-Residual) としてインスタンス化する。 クロスコンフィグレーションおよびクロス環境設定下での実験では、RadioLSRは特にクロスコンフィグレーションの一般化に有効であり、クロスエビテーションの一般化の下で制御されたモノリシックなモノリシックよりも総合的に有利であることが示されている。

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)
• Coverage Analysis of Rydberg Atom Quantum Receiver Arrays: A Stochastic Geometry Approach [55.47164192369501]
  ライドバーグ原子量子受信機(RAQR)は、量子制限感度とブロードバンドチューナビリティを提供する。 密集した展開において、集合的干渉は原子トランスデューサを小さな信号状態から外すことができる。 本稿では、RAQRフロントエンドを幾何学的カバレッジ分析に埋め込むことで、この問題に対処する。
  論文  参考訳（メタデータ） (2026-05-22T04:05:13Z)
• Rethinking Representations for Cross-Domain Infrared Small Target Detection: A Generalizable Perspective from the Frequency Domain [26.03122882760887]
  クロスドメインIRSTDのための空間-スペクトル協調認識ネットワークを提案する。 我々は、一般化可能な目標認識を導出するための位相修正モジュール(PRM)を開発した。 我々は、位置情報を保持するために、スキップ接続に注意機構(OAM)を用いる。
  論文  参考訳（メタデータ） (2026-04-02T11:54:28Z)
• 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)
• RadioDUN: A Physics-Inspired Deep Unfolding Network for Radio Map Estimation [37.88819474629482]
  限られた数のサンプルを実用的なシナリオで測定できるため、密度の高い無線マップを構築するのは難しい。 既存の研究は、深層学習を用いてスパースサンプルから密集した無線マップを推定しているが、無線マップの物理的特性と統合することは困難である。 適応的パラメータ調整と事前適合性を学習可能な方法で実現し,最適化プロセスの展開を目的としたRadio Deep Unfolding Network(RadioDUN)を提案する。
  論文  参考訳（メタデータ） (2025-06-10T03:46:20Z)
• RadioFormer: A Multiple-Granularity Radio Map Estimation Transformer with 1\textpertenthousand Spatial Sampling [60.267226205350596]
  電波マップ推定は、電磁スペクトル量の密度の高い表現を生成することを目的としている。 空間スパース観測によって生じる制約に対処する新しい多重粒度変換器であるRadioFormerを提案する。 また,RadioFormerは,最小計算コストを維持しつつ,無線マップ推定における最先端手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-04-27T08:44:41Z)
• RadioDiff-Inverse: Diffusion Enhanced Bayesian Inverse Estimation for ISAC Radio Map Construction [24.3983954491267]
  無線地図(RM)は、環境に配慮した通信やセンシングに不可欠であり、位置固有の無線チャネル情報を提供する。 既存のRM構築法は、しばしば正確な環境データと基地局(BS)の場所に依存しており、動的またはプライバシーに敏感な環境では必ずしも利用できない。 本稿では、粗い環境知識とノイズスパース測定の下でのベイズ逆問題としてRM構築を定式化する。 拡散強化ベイズ逆推定フレームワークであるRadioDiff-Inverseを提案する。
  論文  参考訳（メタデータ） (2025-04-19T13:49:59Z)
• ProSpire: Proactive Spatial Prediction of Radio Environment Using Deep Learning [14.699706736648823]
  本稿では,プロアクティブな空間予測のアイデアを活用することで,スペクトル共有を可能にする,教師付き深層学習フレームワークProSpireを提案する。 ProSpireの中核となるコンポーネントは、RSSu-netと呼ばれる深層学習に基づく画像から画像への変換手法である。 評価の結果,RSSu-netは信号強度の予測において,絶対誤差が5dBであり,他の手法の平均誤差と同等であることがわかった。
  論文  参考訳（メタデータ） (2023-08-20T07:48:34Z)
• Radiomics-Guided Global-Local Transformer for Weakly Supervised Pathology Localization in Chest X-Rays [65.88435151891369]
  Radiomics-Guided Transformer (RGT)は、テキストトグロバル画像情報と、テキストトグロバル情報とを融合する。 RGTは、画像トランスフォーマーブランチ、放射能トランスフォーマーブランチ、および画像と放射線情報を集約する融合層から構成される。
  論文  参考訳（メタデータ） (2022-07-10T06:32:56Z)
• Learning Invariant Representations and Risks for Semi-supervised Domain Adaptation [109.73983088432364]
  半教師付きドメイン適応(Semi-DA)の設定の下で不変表現とリスクを同時に学習することを目的とした最初の手法を提案する。 共同で textbfLearning textbfInvariant textbfRepresentations と textbfRisks の LIRR アルゴリズムを導入する。
  論文  参考訳（メタデータ） (2020-10-09T15:42:35Z)

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。