論文の概要: LiLib: Lifelong Air-to-Ground Path-Loss Prediction on UAVs via a Drift-Triggered Model Library
- arxiv url: http://arxiv.org/abs/2610.07111v1
- Date: Mon, 05 Oct 2026 15:53:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 02:58:29.564826
- Title: LiLib: Lifelong Air-to-Ground Path-Loss Prediction on UAVs via a Drift-Triggered Model Library
- Title（参考訳）: LiLib:Drift-Triggered Model LibraryによるUAVの生涯飛行経路損失予測
- Abstract要約: 本稿では,UAVのための軽量連続学習方式LiLibを提案する。
ウィンドウ化された残留テストはドリフトを検出し、短いプローブフェーズは、最も保存状態の良い専門家を再利用するか、新しい専門家を作成する。
再発するドリフトでは、記憶は再適応よりも効果的である。
- 参考スコア（独自算出の注目度）: 3.4658060802121624
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: UAVs that act as relays or base stations need accurate air-to-ground path-loss predictions for rate adaptation and placement, but propagation conditions change as a UAV moves between suburban, urban and high-rise areas, and the same areas are often revisited. Online regressors that adapt by forgetting must relearn each environment from scratch, whereas a single model trained on all data averages incompatible regimes. We propose LiLib, a lightweight continual-learning scheme in which a UAV maintains a small library of recursive-least-squares experts. A windowed residual test detects drift; a short probe phase then either reuses the best stored expert or creates a new one. In simulations based on four standard urbanization profiles, LiLib reduces prediction RMSE from 5.89 dB (best sliding-window baseline) to 4.03 dB (p < 0.001), lowers the error shortly after a return to a known environment from 12.3 dB to 5.7 dB, and recovers 99% of the throughput of a regime-aware oracle in rate adaptation. The library stores four experts in under 0.5 KB, and identifies regimes with 92% purity without labels. When a second UAV is initialized with the library of a peer, its error after environment changes halves. LiLib does not reach the oracle, and similar regimes may be merged when shadowing is strong. The results indicate that, for recurring drift, remembering is more effective than re-adapting.
- Abstract（参考訳）: リレーや基地局として機能するUAVは、レート適応と配置のために正確な空対地パスロス予測を必要とするが、UAVが郊外部、都市部、高層部を移動すると伝播条件が変化するため、しばしば同じエリアが再検討される。
忘れることによって適応するオンライン回帰器は、各環境をスクラッチから引き離さなければならない。
我々は,UAVが再帰的・最小二乗の専門家の小さなライブラリを維持できる軽量連続学習方式であるLiLibを提案する。
ウィンドウ化された残留テストはドリフトを検出し、短いプローブフェーズは、最も保存状態の良い専門家を再利用するか、新しい専門家を作成する。
4つの標準的な都市化プロファイルに基づくシミュレーションにおいて、LiLibはRMSEを5.89dB(最良のスライドウインドウベースライン)から4.03dB(p < 0.001)に減らし、既知の環境に戻った直後の誤差を12.3dBから5.7dBに減らし、レート適応におけるレジーム対応オラクルのスループットの99%を回復する。
この図書館は、0.5KB未満の4人の専門家を収容しており、ラベルなしで92%の純度を持つレギュレーションを識別している。
第2のUAVがピアのライブラリで初期化されると、環境が変化した後にエラーが発生する。
リビアは神託に到達せず、影が強いときに類似の体制が統合されることもある。
その結果, ドリフトを繰り返す場合, 記憶は再適応よりも効果的であることが示唆された。
関連論文リスト
- LARC: Low-Rank Adaptive Residual Connections for Learning in Frozen Models [0.5371337604556311]
本稿では,メモリ・メディア・ラーニング・アーキテクチャにおける数値ポリシ・キャリアの入力側実現について述べる。
凍結したMiniCPM5-1B-SFT基板上で12,288個のトレーニング可能なパラメータを持つランク4入力残基について検討した。
論文 参考訳（メタデータ） (2026-09-30T16:21:39Z) - CVaR anchor regression protects against rare shifts [1.015283812819547]
我々は、希少な大きなシフトを含むトレーニングデータを含む場合、新しい環境での予測について研究する。
アンカー回帰は、環境全体の2乗平均残差の平均をペナル化する。
本稿では,2乗平均残差の平均をテール平均に置き換えるCVaRアンカー回帰法を提案する。
論文 参考訳（メタデータ） (2026-09-22T20:29:23Z) - ReDraft, Don't Just Distill: Reference-Driven Revision for Continual VLLM Post-Training [66.72708893922605]
大規模なマルチモーダルモデルのポストトレーニングは、事前トレーニングから保護しながら、新しい機能を追加する必要がある。
SFTは、タスクをほぼゼロの精度から学習する明確なターゲット監視を提供するが、そのオフポリティックターゲットはモデルを十分に移動させ、忘れる原因となる。
モデル自身の失敗から両方を得るReDraftを紹介します。
論文 参考訳（メタデータ） (2026-09-15T04:59:03Z) - A Systematic Sample Size Analysis of ML-Based Path Loss Prediction for LPWAN [1.411614392022118]
LoRaのような低電力広域ネットワークは、スマートシティのアプリケーションにますます利用されている。
伝統的な(経験的な)伝播モデルは、これらのシナリオにおいて限られた精度を示すことが多い。
本稿では,LoRa経路損失予測のための機械学習モデルについて検討する。
論文 参考訳（メタデータ） (2026-08-11T15:48:54Z) - Learning to Solve Generative ODEs Beyond the Linear Span [50.13853710831612]
空間残留演算子を用いてスカラー係数更新を増強する軽量ニューラルソルバであるSpanLiftを提案する。
SpanLiftは、ピクセル空間の拡散、潜水流のマッチング、降水は今、最先端の数ステップのサンプリングを実現している。
論文 参考訳（メタデータ） (2026-06-07T15:22:13Z) - How Faithful Is Trajectory-Based Data Attribution? Error Sources, Remedies, and Practical Guidelines [21.57090069950487]
トラジェクトリに基づくデータ帰属法は、トレーニングの軌跡をアンロールすることで、モデル予測に対するトレーニングサンプルの影響を推定する。
これらの手法の包括的なエラー解析が欠如しており、メソッドの忠実性に対する懸念を高め、信頼性の高いデプロイメントを妨げる。
本稿では,トラジェクトリに基づくデータ属性における誤り源の体系的解析と,これらを緩和するための具体的対策,および下流利用のための実践的ガイドラインについて述べる。
論文 参考訳（メタデータ） (2026-05-12T09:50:45Z) - OCRR: A Benchmark for Online Correction Recovery under Distribution Shift [0.0]
OCRR (Online Correction Recovery Rate) は、コーパスを分類システムを通じてストリームし、間違った予測にオラクルや修正を適用するベンチマークである。
連続学習ベースラインは、同じメモリ予算で32.6ポイントも上回っている。
また、LoRA-on-DeBERTa-v3の保持率も84.6%アップした。
論文 参考訳（メタデータ） (2026-05-04T20:51:07Z) - REAL: Regression-Aware Reinforcement Learning for LLM-as-a-Judge [83.2858110368572]
回帰報酬を最適化するための原則的RLフレームワークである textbfREAL (underlineREgression-underlineAware Reinforcement underlineLThought) を提案する。
我々は,REALがレグレッション対応SFTベースラインと標準RL法の両方を一貫して上回ることを示す。
論文 参考訳（メタデータ） (2026-03-17T21:19:08Z) - U-BEV: Height-aware Bird's-Eye-View Segmentation and Neural Map-based Relocalization [81.76044207714637]
GPS受信が不十分な場合やセンサベースのローカライゼーションが失敗する場合、インテリジェントな車両には再ローカライゼーションが不可欠である。
Bird's-Eye-View (BEV)セグメンテーションの最近の進歩は、局所的な景観の正確な推定を可能にする。
本稿では,U-NetにインスパイアされたアーキテクチャであるU-BEVについて述べる。
論文 参考訳（メタデータ） (2023-10-20T18:57:38Z)
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。