論文の概要: HankelKANet: Lightweight Path Loss Estimation via Physics-Inspired Hankel Convolution
- arxiv url: http://arxiv.org/abs/2610.19524v1
- Date: Wed, 14 Oct 2026 03:42:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-15 21:06:15.941157
- Title: HankelKANet: Lightweight Path Loss Estimation via Physics-Inspired Hankel Convolution
- Title（参考訳）: HankelKANet:物理学にヒントを得たHankel畳み込みによる軽量パス損失の推定
- Abstract要約: HankelKANetは、経路損失推定のための軽量な物理インスピレーション付きネットワークである。
電磁伝搬特性を神経構造に埋め込む。
シミュレーションされたRadioMapSeerデータセットと実世界のHuawei RSRPSetの両方で、最先端の精度と効率を達成する。
- 参考スコア（独自算出の注目度）: 12.237507302299823
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate path loss (PL) estimation is essential for wireless network planning and optimization. This paper proposes HankelKANet, a lightweight physics-inspired network for PL estimation that structurally embeds electromagnetic propagation characteristics into the neural architecture. Built on a single residual UNet backbone, the proposed model integrates urban layout features with a convolutional Kolmogorov-Arnold network(KAN). Specifically, the convolutional kernels are parameterized by the radial amplitudes of the zeroth- and first-order Hankel functions. This formulation acts as a physics-inspired nonlinear distance encoding, enabling the network to capture dominant attenuation characteristics directly without requiring additional physics-based loss terms. Experimental results demonstrate that HankelKANet achieves state-of-the-art accuracy and efficiency on both the simulated RadioMapSeer dataset and the real-world Huawei RSRPSet. Compared with the leading baseline, PEFNet, it reduces the parameter count by 78% and lowers the RMSE by 16.96% on the simulated data, while further exhibiting robust cross-dataset transferability and high data efficiency during target-domain adaptation. To interpret these empirical gains, we mathematically establish a parameter-conditional spatial gradient bound. Using discrete Dirichlet energy (DDE) and Jacobian sensitivity heatmaps, we empirically verify that this physical encoding intrinsically constrains the network's spatial derivatives. This structural smoothness effectively eliminates non-physical spatial ripples, preventing overfitting to simulator artifacts and serving as the fundamental driver for robust real world generalization.
- Abstract（参考訳）: 無線ネットワークの計画と最適化には,PL推定が不可欠である。
本稿では,電磁気伝搬特性をニューラルネットワークに組み込んだPL推定用軽量物理インスピレーションネットワークHankelKANetを提案する。
1つの残存UNetバックボーン上に構築され、提案モデルは都市レイアウトの特徴をコンボリューション型コルモゴロフ・アルノルドネットワーク(KAN)と統合する。
具体的には、畳み込み核はゼロ階および1階ハンケル関数の半径振幅によってパラメータ化される。
この定式化は、物理学にインスパイアされた非線形距離符号化として機能し、物理に基づく損失項を必要とせずに、ネットワークが支配的な減衰特性を直接捉えることができる。
実験の結果,HankelKANetはRadioMapSeerデータセットと実世界のHuawei RSRPSetの両方で,最先端の精度と効率を実現していることがわかった。
主要なベースラインであるPEFNetと比較して、パラメータ数を78%削減し、シミュレーションデータに対してRMSEを16.96%削減し、さらにターゲットドメイン適応時の堅牢なクロスデータセット転送性と高いデータ効率を示す。
これらの経験的利得を解釈するために,パラメータ条件空間勾配境界を数学的に確立する。
離散ディリクレエネルギー(DDE)とヤコビ感度熱マップを用いて、この物理エンコーディングがネットワークの空間微分を本質的に制約することを示す。
この構造的滑らかさは、非物理的空間的なリップルを効果的に排除し、シミュレーターのアーティファクトへの過度な適合を防止し、堅牢な現実世界の一般化の基本的なドライバとして機能する。
関連論文リスト
- Transolver-$σ$: Joint Spectral-Physical Subspace Modeling for Neural PDE Solving [53.58729034895666]
Transolver-$は、結合スペクトル-物理部分空間モデリングに基づくニューラルPDEソルバである。
平均的な相対誤差を33.4%減らし、各基準に対して最強の基準線を上回り、最先端を達成している。
論文 参考訳（メタデータ） (2026-09-29T11:24:19Z) - Physics-Guided Dual-Stream Heterogeneous Graph Neural Network for Predicting Full-Field Structural Response of Stiffened Panels [0.0]
大規模で複雑な構造の反復的な設計と最適化には、応力、変位、その他の分野の高速かつ正確な予測が必要である。
既存のニューラルネットワークは、様々なトポロジや複雑な境界条件に悩まされることが多い。
本研究では,薄肉構造物のフルフィールド応力と変位予測のための新しいDualStream Heterogeneous Graph Neural Network (DS-HGNN)を提案する。
論文 参考訳（メタデータ） (2026-06-18T20:12:18Z) - A Green-Integral-Constrained Neural Solver with Stochastic Physics-Informed Regularization [3.491999371287298]
音響ヘルムホルツ方程式に対するグリーン・インテグラル(GI)ニューラルソルバを提案する。
これは、積分表現を通じて波動物理学を強制することによって、PDE-残留性に基づく定式化から逸脱する。
GIベースのトレーニングはPDEベースのPINNを一貫して上回り、計算コストを10倍以上削減することを示した。
論文 参考訳（メタデータ） (2026-04-23T08:24:10Z) - Relay-Assisted Activation-Integrated SIM for Wireless Physical Neural Networks [53.64687377045908]
無線物理ニューラルネットワーク(WPNN)は、無線システムの物理層で直接ニューラルネットワークを実行するための有望なパラダイムとして登場した。
本稿では,アクティベーション統合された集積型知的準曲面(AI-SIM)に基づくリレー支援型WPNNアーキテクチャを提案する。
論文 参考訳（メタデータ） (2026-04-05T18:07:13Z) - Alternating Gradient Flow Utility: A Unified Metric for Structural Pruning and Dynamic Routing in Deep Networks [52.153950303594684]
交互勾配流(Alternating Gradient Flow, AGF)に着想を得た非結合型運動パラダイムを提案する。
AGFはネットワークの構造的「運動ユーティリティ」を正確にキャプチャする
我々は、AGFに誘導されるオフライン構造探索を、ゼロコストの物理プリミティブを介してオンライン実行から切り離すハイブリッドルーティングフレームワークを設計する。
論文 参考訳（メタデータ） (2026-03-12T18:19:21Z) - SourceNet: Interpretable Sim-to-Real Inference on Variable-Geometry Sensor Arrays for Earthquake Source Inversion [7.936803576241796]
SourceNetはTransformerベースのフレームワークで、任意のジオメトリをモデル化するためのフレキシブルなセットとしてセンサアレイを扱う。
10万の合成イベントを事前トレーニングし、2,000の現実世界イベントを微調整することで、SourceNetは保持された実データに対する最先端の精度を達成する。
論文 参考訳（メタデータ） (2026-01-09T21:42:28Z) - Neural Beam Field for Spatial Beam RSRP Prediction [11.903931127386349]
高密度無線ネットワークにおけるビーム管理には、正確なビームレベル基準信号受信電力(RSRP)の予測が不可欠である。
本稿では,空間ビームRSRP予測の効率的かつ解釈可能なハイブリッドニューラルネットワーク物理フレームワークであるNeural Beam Field (NBF)を提案する。
論文 参考訳（メタデータ） (2025-08-09T12:05:51Z) - Efficient Fault Detection in WSN Based on PCA-Optimized Deep Neural Network Slicing Trained with GOA [0.6827423171182154]
従来の障害検出手法は、効率的なパフォーマンスのためにディープニューラルネットワーク(DNN)の最適化に苦労することが多い。
本研究では,これらの制約に対処するためにGrasshopper Optimization Algorithm(GOA)によって最適化されたDNNと主成分分析(PCA)を組み合わせた新しいハイブリッド手法を提案する。
従来の手法よりも優れた精度とリコールで,99.72%の分類精度を実現している。
論文 参考訳（メタデータ） (2025-05-11T15:51:56Z) - NAF: Neural Attenuation Fields for Sparse-View CBCT Reconstruction [79.13750275141139]
本稿では,スパースビューCBCT再構成のための新規かつ高速な自己教師型ソリューションを提案する。
所望の減衰係数は、3次元空間座標の連続関数として表現され、完全に接続されたディープニューラルネットワークによってパラメータ化される。
ハッシュ符号化を含む学習ベースのエンコーダが採用され、ネットワークが高周波の詳細をキャプチャするのに役立つ。
論文 参考訳（メタデータ） (2022-09-29T04:06:00Z) - Revisiting Initialization of Neural Networks [72.24615341588846]
ヘッセン行列のノルムを近似し, 制御することにより, 層間における重みのグローバルな曲率を厳密に推定する。
Word2Vec と MNIST/CIFAR 画像分類タスクの実験により,Hessian ノルムの追跡が診断ツールとして有用であることが確認された。
論文 参考訳（メタデータ） (2020-04-20T18:12:56Z)
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。