論文の概要: Radiomap Blind Prediction under Incomplete Observation: Error Characterization and Correctable Propagation-Prior Learning

• arxiv url: http://arxiv.org/abs/2609.32836v1
• Date: Sat, 26 Sep 2026 18:08:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 19:47:07.295098
• Title: Radiomap Blind Prediction under Incomplete Observation: Error Characterization and Correctable Propagation-Prior Learning
• Title（参考訳）: 不完全な観測下での地図ブラインド予測:誤差特性と修正可能な伝搬パラメータ学習
• Abstract要約: レーダ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ことを目的としている。 不完全な観察の下で、決定論的無線マップブラインド予測の人口レベル理論を確立した。 我々は,RadioDecompが事前誘導予測器を補正可能なベースとして扱い,残差補正によりその残差を学習することを示す。
• 参考スコア（独自算出の注目度）: 82.201505479186
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Radiomap blind prediction aims to infer radiomaps from observable representations of the propagation environment and base station configuration without field measurements. In practice, the observable representations are inherently incomplete. Thus, the target radiomap is not fully determined by the inputs when generalizing to unseen configurations or environments. Under incomplete observation, we establish a population-level theory of deterministic radiomap blind prediction that identifies the conditional mean as its optimal target and separates prediction error into reducible predictor approximation and irreducible uncertainty caused by missing physical information. The framework further characterizes the train-test risk gap and the uncertainty reduction enabled by observation enrichment. Building on it, we reveal the dual role of propagation priors: they provide physically grounded guidance, yet their implementable forms may bias the attainable predictor. This motivates RadioDecomp, which treats a prior-guided predictor as a correctable base and learns its remaining predictable discrepancy through residual refinement. To evaluate RadioDecomp across distinct propagation-prior designs, we instantiate it with a feature-guided monolithic base and a LoS-Shadow structured base, yielding RadioFR and RadioLSR, respectively. Across random, cross-configuration, and cross-environment settings, experiments confirm the benefit of propagation-related representations and show that both instantiations improve upon their respective bases. Further controlled studies on base capacity, training-support coverage, and observation coarsening corroborate the proposed analysis.
• Abstract（参考訳）: 無線地図ブラインド予測は,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無線マップを推定することを目的としている。 実際、観測可能な表現は本質的に不完全である。 したがって、ターゲットの無線マップは、目に見えない構成や環境に一般化する場合、入力によって完全には決定されない。 不完全観測の下では、条件平均を最適目標として識別し、予測誤差を再現可能な予測子近似と、欠落した物理情報による既約不確実性に分離する、決定論的無線マップブラインド予測の人口レベル理論を確立する。 この枠組みは、観測エンリッチメントにより可能となるトレインテストのリスクギャップと不確実性低減をさらに特徴付ける。 物理的に根拠のあるガイダンスを提供するが、実装可能な形式は達成可能な予測器に偏っている可能性がある。 これはRadioDecompを動機付けており、これは事前誘導予測器を修正可能なベースとして扱い、残余の精細化を通じて残りの予測可能な相違を学習する。 異なる伝搬優先設計のRadioDecompを評価するために,特徴誘導型モノリシックベースとLoS-Shadow構造ベースをインスタンス化し,RadioFRとRadioLSRをそれぞれ生成する。 ランダム、クロス・コンフィグレーション、クロス環境設定を含む実験は、伝播関連表現の利点を確認し、両方のインスタンスがそれぞれのベースで改善されていることを示す。 さらに, ベースキャパシティ, トレーニングサポートカバレッジ, 観察粗大化に関する研究が, 提案した分析を裏付けるものである。

関連論文リスト

• Optimal Transport Dropout for Structured Predictive Uncertainty [3.668981673085598]
  本稿では,予測写像と潜伏摂動の法則を共同で学習する最適輸送降下機について紹介する。 OTDはより正確な予測と、より良く校正され、かなり狭い間隔を得る。 これは、独立に訓練された予測者の明示的な後部推論やアンサンブルなしに、構造化された予測の不確実性を学ぶ方法を提供する。
  論文  参考訳（メタデータ） (2026-09-27T09:00:29Z)
• Rethinking Radiomap Blind Prediction with Limited Environment and Configuration Representations [75.34570531766927]
  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。
  論文  参考訳（メタデータ） (2026-09-10T08:52:01Z)
• Uncertainty-Aware Trajectory Forecasting from Imperfect Tracking [4.062766215055394]
  本稿では,予測器に伝達する情報信号として,追従型信頼性キューを取り扱う。 本稿では,各観測状態を不確実な状態表現として符号化するプラグイン不確実性認識型定式化を提案する。 実際のトラッカー出力を用いたオックスフォード・タウンセンターとVIRATの実験は、補完的なETH/UCY擬似検出プロトコルとともに、提案法により、確率的予測の変位精度と信頼性のトレードオフが向上することを示した。
  論文  参考訳（メタデータ） (2026-08-31T14:50:38Z)
• Analytic Planning under Uncertainty with Moment Closure [32.403961716203455]
  フルステートを解析的に伝播させることは、これを行うための原則的な方法を提供するが、伝統的に、トラクタブルな状態を維持するために制限的な政策や報酬構造を必要としてきた。 このような制約を伴わずに分散対応計画が可能であるかを検討する。 提案手法は, 連続制御における観測下での予測不確実性を良好に評価し, 目標分散を低減させる。
  論文  参考訳（メタデータ） (2026-08-03T17:17:00Z)
• Quantification of Predictive Uncertainty via Inference-Time Sampling [57.749601811982096]
  本稿では,データあいまいさの予測不確実性を推定するためのポストホックサンプリング手法を提案する。 この方法は与えられた入力に対して異なる可算出力を生成することができ、予測分布のパラメトリック形式を仮定しない。
  論文  参考訳（メタデータ） (2023-08-03T12:43:21Z)
• Prediction under Latent Subgroup Shifts with High-Dimensional Observations [30.433078066683848]
  遅延シフト適応を用いたグラフィカルモデルにおける新しい予測手法を提案する。 RPMの新規な形態は、ソース環境における因果潜伏構造を特定し、ターゲットの予測に適切に適応する。
  論文  参考訳（メタデータ） (2023-06-23T12:26:24Z)
• Dense Uncertainty Estimation [62.23555922631451]
  本稿では,ニューラルネットワークと不確実性推定手法について検討し,正確な決定論的予測と確実性推定の両方を実現する。 本研究では,アンサンブルに基づく手法と生成モデルに基づく手法の2つの不確実性推定法について検討し,それらの長所と短所を,完全/半端/弱度に制御されたフレームワークを用いて説明する。
  論文  参考訳（メタデータ） (2021-10-13T01:23:48Z)
• Which Invariance Should We Transfer? A Causal Minimax Learning Approach [18.71316951734806]
  本稿では、因果的観点からの包括的ミニマックス分析について述べる。 最小の最悪のリスクを持つサブセットを探索する効率的なアルゴリズムを提案する。 本手法の有効性と有効性は, 合成データとアルツハイマー病の診断で実証された。
  論文  参考訳（メタデータ） (2021-07-05T09:07:29Z)
• Evaluating probabilistic classifiers: Reliability diagrams and score decompositions revisited [68.8204255655161]
  確率的に統計的に一貫性があり、最適に結合し、再現可能な信頼性図を自動生成するCORP手法を導入する。 コーパスは非パラメトリックアイソトニック回帰に基づいており、プール・アジャセント・ヴァイオレータ(PAV)アルゴリズムによって実装されている。
  論文  参考訳（メタデータ） (2020-08-07T08:22:26Z)

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。