論文の概要: CityDeploy-Bench: Benchmarking Physics-Grounded Spatial Set Planning for Multi-Transmitter Network Deployment
- arxiv url: http://arxiv.org/abs/2610.11065v2
- Date: Mon, 12 Oct 2026 11:02:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-14 23:39:49.673658
- Title: CityDeploy-Bench: Benchmarking Physics-Grounded Spatial Set Planning for Multi-Transmitter Network Deployment
- Title（参考訳）: CityDeploy-Bench: マルチトランスミッタネットワーク配置のための物理周辺空間設定計画のベンチマーク
- Abstract要約: bfCityDeploy-Bench(英語版)は、マルチトランスミッタ配置を、統一されたレイトレーシング検証の下で、電子物理地上空間集合計画として再構成するベンチマークである。
実験の結果, 物理的結合が大きくなるにつれて, 計画行動の明確な遷移が明らかとなった。
これは、独立した空間決定の集合ではなく、物理的に相互作用する集合に対する協調問題として、マルチトランスミッタ展開を確立する。
- 参考スコア（独自算出の注目度）: 1.9036020470547566
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Automating city-scale wireless deployment remains challenging under complex urban propagation and network-wide interference. We introduce \textbf{CityDeploy-Bench}, a benchmark that reframes multi-transmitter deployment as \emph{physics-grounded spatial set planning} under a unified ray-tracing verifier. The benchmark separates utility representation from planning dynamics, enabling controlled comparison between direct scalar rewards, relational models, and higher-order interaction structures across diverse planners. Our experiments reveal a clear transition in planning behavior as physical coupling grows. Deployment quality becomes increasingly dependent on whether the learned utility captures collective transmitter interactions, whereas stronger search alone cannot compensate for missing relational structure. This establishes multi-transmitter deployment as a coordination problem over physically interacting sets rather than a collection of independent spatial decisions. We release CityDeploy-Data and the benchmark framework as a reproducible testbed for research linking decision learning with physically grounded wireless network design.
- Abstract（参考訳）: 都市規模の無線展開の自動化は、複雑な都市伝播とネットワーク全体の干渉の下で依然として困難である。
このベンチマークでは,複数送信装置の配置を,統一されたレイトレーシング検証の下で, \emph{physics-grounded space set planning} として再構成する。
このベンチマークは、ユーティリティ表現を計画力学から分離し、様々なプランナー間の直接スカラー報酬、リレーショナルモデル、高次相互作用構造との制御された比較を可能にする。
実験の結果, 物理的結合が大きくなるにつれて, 計画行動の明確な遷移が明らかとなった。
展開品質は、学習したユーティリティが集合的な送信機相互作用をキャプチャするかどうかにますます依存するようになり、一方、より強力な検索だけでは、リレーショナル構造が欠如していることを補うことはできない。
これは、独立した空間決定の集合ではなく、物理的に相互作用する集合に対する協調問題として、マルチトランスミッタ展開を確立する。
そこで我々は,CityDeploy-Dataとベンチマークフレームワークを,物理基盤の無線ネットワーク設計と意思決定学習を関連付けるための再現可能なテストベッドとしてリリースした。
関連論文リスト
- AIMS: An Agentic AI Framework for Sim-to-Real Multi-Modal ISAC [39.74452561720657]
マルチモーダル統合センシング通信(ISAC)は、インテリジェント無線ネットワークの環境認識と信頼性の高い接続を可能にする。
データ駆動ISACモデルは、センサーと無線観測の間で関係を学ぶために、注釈付き実世界のデータに大きく依存する。
我々は,AIMS という,シモン・トゥ・リアルマルチモーダルISAC のためのエージェント人工知能フレームワークを提案する。
論文 参考訳（メタデータ） (2026-09-30T15:31:29Z) - Agentic AI Networking for Heterogeneous Unmanned Aerial Systems in Low-Altitude Wireless Networks [51.122913904076505]
低高度無線ネットワーク(LAWN)は、異種無人航空システムの鍵となる基盤として浮上している。
本稿では,マルチエージェント強化学習(MARL)アーキテクチャを二重ループ構造として,階層型ハイブリッド型大規模言語モデル(LLM)を提案する。
具体的には、外部適応ループはLLMによるゲームオーケストレーションを使用して、サービス要件とオペレータの意図を解釈し、目的とリソースの優先順位を再設定する。
物流監視ケーススタディは、提案したフレームワークが異種サービス間の協調共存をどのように促進するかを示す。
論文 参考訳（メタデータ） (2026-09-17T01:04:27Z) - Auto-Configured Networks for Multi-Scale Multi-Output Time-Series Forecasting [7.883762084227456]
産業予測は、しばしばマルチソースの非同期信号とマルチ出力ターゲットを含む。
現在のプラクティスはアライメント戦略やネットワーク設計の修正であり、事前処理を体系的に共同設計することは困難である。
本稿では,エラーと複雑性のバランスをとる予測モデルのデプロイ可能なParetoセットを出力する自動設定フレームワークを提案する。
論文 参考訳（メタデータ） (2026-04-08T21:28:30Z) - Telecom World Models: Unifying Digital Twins, Foundation Models, and Predictive Planning for 6G [60.29349053952935]
本稿では,テレコムシステムダイナミクスの学習,行動条件,不確実性を考慮したモデリングのためのアーキテクチャであるTWM(Telecom World Model)の概念を紹介する。
本研究では,空間環境予測のためのフィールドワールドモデル,動作条件付きキーパフォーマンス指標(KPI)軌道予測のための制御/力学ワールドモデル,意図翻訳とオーケストレーションのための通信基盤モデルレイヤからなる3層アーキテクチャを提案する。
論文 参考訳（メタデータ） (2026-04-08T09:41:58Z) - A Unified Experimental Architecture for Informative Path Planning: from Simulation to Deployment with GuadalPlanner [69.43049144653882]
本稿では,車種別制御から高レベルの意思決定を分離する統一アーキテクチャを提案する。
提案アーキテクチャは、計画、センシング、車両実行の標準化されたインターフェースを定義するGuaralPlannerを通じて実現されている。
論文 参考訳（メタデータ） (2026-02-11T10:02:31Z) - PowerGrow: Feasible Co-Growth of Structures and Dynamics for Power Grid Synthesis [75.14189839277928]
本稿では,運用効率を維持しながら計算オーバーヘッドを大幅に削減する,共同生成フレームワークPowerGrowを提案する。
ベンチマーク設定による実験では、PowerGrowはフィデリティと多様性において、事前の拡散モデルよりも優れていた。
これは、運用上有効で現実的な電力グリッドシナリオを生成する能力を示している。
論文 参考訳（メタデータ） (2025-08-29T01:47:27Z) - Spatial-Temporal-Spectral Unified Modeling for Remote Sensing Dense Prediction [20.1863553357121]
リモートセンシングのための現在のディープラーニングアーキテクチャは、基本的に堅固である。
本稿では,統合モデリングのための空間時間スペクトル統一ネットワーク(STSUN)について紹介する。
STSUNは任意の空間サイズ、時間長、スペクトル帯域で入力および出力データに適応することができる。
様々な密集した予測タスクと多様な意味クラス予測を統一する。
論文 参考訳（メタデータ） (2025-05-18T07:39:17Z) - Multi-intersection Traffic Optimisation: A Benchmark Dataset and a
Strong Baseline [85.9210953301628]
交通信号の制御は、都市部の交通渋滞の緩和に必要不可欠である。
問題モデリングの複雑さが高いため、現在の作業の実験的な設定はしばしば矛盾する。
エンコーダ・デコーダ構造を用いた深層強化学習に基づく新規で強力なベースラインモデルを提案する。
論文 参考訳（メタデータ） (2021-01-24T03:55:39Z) - Multi-UAV Path Planning for Wireless Data Harvesting with Deep
Reinforcement Learning [18.266087952180733]
本稿では,データ収集ミッションを定義するシナリオパラメータの深い変化に適応できるマルチエージェント強化学習(MARL)手法を提案する。
提案するネットワークアーキテクチャにより,データ収集タスクを慎重に分割することで,エージェントが効果的に協調できることを示す。
論文 参考訳（メタデータ） (2020-10-23T14:59:30Z) - Spatio-Temporal Hybrid Graph Convolutional Network for Traffic
Forecasting in Telecommunication Networks [8.753378989033322]
人口密度の高い大都市圏から収集したデータに基づいて, セルネットワークトラフィックの特性と, 依存関係の複雑度に光を当てた。
具体的には、トラフィックが動的および静的な空間依存性と多様な周期時間パターンの両方を示すことを観察する。
STHGCN(Spatio-Temporal Hybrid Graph Convolutional Network)という,ディープラーニングに基づく効果的なアプローチを提案する。
論文 参考訳（メタデータ） (2020-09-17T08:54:16Z)
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。