Fugu-MT 論文翻訳(概要): Scaling Cheap Synthetic Pretraining Improves Indoor Radio-Map Prediction

論文の概要: Scaling Cheap Synthetic Pretraining Improves Indoor Radio-Map Prediction

arxiv url: http://arxiv.org/abs/2610.19015v1
Date: Tue, 13 Oct 2026 18:09:45 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-16 03:59:54.338285
Title: Scaling Cheap Synthetic Pretraining Improves Indoor Radio-Map Prediction
Title（参考訳）: スケールするチープ合成プレトレーニングは、屋内無線マップ予測を改善する
Abstract要約: 実際の測定は、さまざまな建物にまたがる正確な屋内パスロス予測器を訓練するにはあまりにも限られています。大規模な合成プレトレーニングは先進的な方法だが、実際の建築レイアウトも不十分で、正確なレイトレーシングシミュレータは遅く、高価で、しばしばプロプライエタリだ。屋内の多様なレイアウトを自動生成するジェネレータと、無線マップを高速かつオープンソースの近似線トレーサを導入することで、両方の問題に対処する。
参考スコア（独自算出の注目度）: 1.4899988967721158
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Real measurements are too limited to train an accurate indoor pathloss predictor that works across a wide range of buildings. Large-scale synthetic pretraining offers a way forward, but real building layouts are also scarce, and accurate ray-tracing simulators are slow, expensive, and often proprietary. We address both problems by introducing a generator that automatically creates diverse indoor layouts and a fast, open-source approximate ray tracer that computes radio maps for them. Using this pipeline, we generate 128M synthetic samples, pretrain ResNet-101 and Swin-T encoder-decoders, and fine-tune them on high-quality benchmark data. Despite simulator mismatch, our ResNet-101 model reduces error by 15% on average relative to the best known methods across five indoor radio-map prediction tasks and improves transfer on a small real-measurement dataset. Both architectures show predictable data-scaling trends: power laws fitted on 2M-16M samples predict the mean normalized downstream RMSE at 32M-128M with 3.33% mean absolute percentage error for ResNet-101 and 7.10% for Swin-T. These results show that pretraining on large amounts of cheap simulated data can improve indoor radio-map prediction, even when real measurements and high-quality simulations are limited.
Abstract（参考訳）: 実際の測定は、さまざまな建物にまたがる正確な屋内パスロス予測器を訓練するにはあまりにも限られています。大規模な合成プレトレーニングは先進的な方法だが、実際の建築レイアウトも不十分で、正確なレイトレーシングシミュレータは遅く、高価で、しばしばプロプライエタリだ。屋内の多様なレイアウトを自動生成するジェネレータと、無線マップを高速かつオープンソースの近似線トレーサを導入することで、両方の問題に対処する。このパイプラインを用いて、128Mの合成サンプル、ResNet-101とSwin-Tエンコーダデコーダを生成し、それらを高品質なベンチマークデータに基づいて微調整する。シミュレーションミスマッチにもかかわらず、ResNet-101モデルでは、5つの屋内無線マップ予測タスクにおいて最もよく知られた手法と比較して誤差を平均15%削減し、小さな実測データセットでの転送を改善する。 2M-16Mサンプルに搭載された電力法則は、32M-128Mで平均正規化されたRMSEを予測し、ResNet-101では3.33%、Swin-Tでは7.10%である。これらの結果は,実測値や高品質なシミュレーションが限定されている場合でも,大量の安価なシミュレーションデータによる事前学習が室内での無線マップ予測を改善することを示唆している。

関連論文リスト

Scale-Split Neural Operator for Memory- and Data-Efficient 3D Turbulence Prediction [14.74291325699209]
本論文では,2つのニューラル演算子による乱流のスケール構造を利用したスケールスプリット-NO(Scale-Split Neural Operator)を提案する。 2つの高分解能乱流ベンチマークにおいて、ScaleSplit-NOは予測精度とデータ効率の両方で競合するベースラインをすべて越えている。
論文参考訳（メタデータ） (2026-09-30T04:52:03Z)
EA-RMENet -- Path Loss Prediction in Urban Environments using Deep Learning [0.0]
本稿では、RME(Radio Map Estimation)のための画像データ駆動深層学習(DL)モデルであるEA-RMENet(Efficient Attention Radio Map Estimation Network)を提案する。 EA-RMENetは、EfficientNetB5エンコーダ、Attention Gated(AG)スキップ接続、Atrous Space Pyramid Pooling(ASPP)を備えたU-Netフレームワークを使用している。このモデルはRadioMapSeer3Dデータセット上でのテスト予測RMSEが0.0334で、推定時間は0.022秒/サンプルである。
論文参考訳（メタデータ） (2026-07-17T18:47:46Z)
Why Channel-Centric Models are not Enough to Predict End-to-End Performance in Private 5G: A Measurement Campaign and Case Study [0.0]
通信対応ロボット計画には,無線ネットワーク性能の正確な予測が必要である。現在のアプローチは、受信信号強度や信号対雑音比といったチャネルレベルの指標に依存している。我々は,民間の5G産業環境における計測キャンペーンを通じて,この仮定に挑戦する。
論文参考訳（メタデータ） (2026-03-09T19:27:00Z)
LiQSS: Post-Transformer Linear Quantum-Inspired State-Space Tensor Networks for Real-Time 6G [85.58816960936069]
Sixth-Generation (6G) Open Radio Access Networks (O-RAN) における能動的およびエージェント的制御は、厳密なニアタイム(Near-RT)レイテンシと計算制約の下で制御グレードの予測を必要とする。本稿では,効率的な無線テレメトリ予測のための変圧器後パラダイムについて検討する。本稿では、自己アテンションを安定な状態空間動的カーネルに置き換える量子インスピレーション付き状態空間テンソルネットワークを提案する。
論文参考訳（メタデータ） (2026-01-18T12:08:38Z)
AIRMap -- AI-Generated Radio Maps for Wireless Digital Twins [7.32219702732606]
超高速無線マップ推定のためのディープラーニングフレームワークを提案する。 AirMapはNVIDIA L40Sで、推論毎に5dB RMSE以下でパスゲインを予測する。フィールド測定の20%しか使用していない軽量な移動学習校正は、中央値の誤差を約10%に削減する。
論文参考訳（メタデータ） (2025-10-28T15:15:48Z)
Deep learning methods for modeling infrasound transmission loss in the middle atmosphere [5.842419815638353]
我々は,世界規模でシミュレーションされた温度と風場からTLを予測しながら,予測誤差を最小限に抑えるために,最適化された畳み込みネットワークを開発した。実装されたモデルは、周波数帯全体(0.1-3.2Hz)における平均誤差8.6dBのTLを予測し、現実的な大気シナリオを探索する。
論文参考訳（メタデータ） (2025-06-02T13:10:29Z)
Resource-Efficient Beam Prediction in mmWave Communications with Multimodal Realistic Simulation Framework [57.994965436344195]
ビームフォーミングは、方向と強度を最適化して信号伝送を改善するミリ波通信において重要な技術である。マルチモーダルセンシング支援ビーム予測は,ユーザ位置やネットワーク条件を予測するために,さまざまなセンサデータを使用して注目されている。その有望な可能性にもかかわらず、マルチモーダルセンシング支援ビーム予測の採用は、高い計算複雑性、高いコスト、限られたデータセットによって妨げられている。
論文参考訳（メタデータ） (2025-04-07T15:38:25Z)
Video Prediction Transformers without Recurrence or Convolution [65.93130697098658]
我々は、Gated Transformerを完全にベースとしたフレームワークであるPredFormerを提案する。本稿では,映像予測の文脈における3次元注意の包括的分析を行う。精度と効率の両面で大きな改善は、PredFormerの可能性を強調している。
論文参考訳（メタデータ） (2024-10-07T03:52:06Z)
Radio Map Estimation -- An Open Dataset with Directive Transmitter Antennas and Initial Experiments [49.61405888107356]
実世界の現実的な都市地図とオープンなデータソースからの航空画像とともに、シミュレーションされた経路損失無線マップのデータセットをリリースする。モデルアーキテクチャ,入力特徴設計,航空画像からの無線マップの推定に関する実験を行った。
論文参考訳（メタデータ） (2024-01-12T14:56:45Z)
Data-Free Dynamic Compression of CNNs for Tractable Efficiency [46.498278084317704]
構造化プルーニング手法は, 精度が大幅に低下することなく浮動小数点演算を低下させる可能性を示唆している。 HASTE(Hashing for Tractable Efficiency)は,データフリーでプラグイン・アンド・プレイのコンボリューションモジュールで,トレーニングや微調整なしにネットワークのテスト時間推論コストを瞬時に低減する。 CIFAR-10とImageNetでは46.72%のFLOPを1.25%の精度で削減した。
論文参考訳（メタデータ） (2023-09-29T13:09:40Z)
Deep Learning for Day Forecasts from Sparse Observations [60.041805328514876]
深層ニューラルネットワークは、気象条件をモデル化するための代替パラダイムを提供する。 MetNet-3は、密度とスパースの両方のデータセンサーから学習し、降水、風、温度、露点を最大24時間前に予測する。 MetNet-3は、それぞれ時間分解能と空間分解能が高く、最大2分と1km、運用遅延は低い。
論文参考訳（メタデータ） (2023-06-06T07:07:54Z)

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。