論文の概要: Comparative Evaluation of Deep-Learning based DoA Estimators for Real-Time ISAC Beamforming

• arxiv url: http://arxiv.org/abs/2610.20326v1
• Date: Wed, 14 Oct 2026 15:11:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:16.215632
• Title: Comparative Evaluation of Deep-Learning based DoA Estimators for Real-Time ISAC Beamforming
• Title（参考訳）: 実時間ISACビームフォーミングのための深層学習型DoA推定器の比較評価
• Abstract要約: ISAC (Integrated Sensing and Communication) システムは、効果的なビームフォーミングとスペクトル効率向上のための正確な方向推定(DoA)に依存する。 本稿では,ISACビームフォーミングパイプライン内の古典的および学習的DoA推定器を体系的に比較するための統一評価フレームワークを提案する。 DoA推定精度, 推定遅延, ビームフォーミングウェイト生成時間, および有効スペクトル効率の影響について検討した。
• 参考スコア（独自算出の注目度）: 1.2327864088142981
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Integrated Sensing and Communication (ISAC) systems rely on accurate Direction-of-Arrival (DoA) estimation for effective beamforming and spectral-efficiency enhancement. While numerous classical and deep-learning-based DoA estimation methods have been reported in the literature, their suitability for real-time ISAC operation remains insufficiently understood because practical deployment requires consideration of both estimation accuracy and computational latency. This paper presents a unified evaluation framework for systematically comparing classical and learning-based DoA estimators within an ISAC beamforming pipeline. Representative classical and learning-based DoA estimators, together with an ensemble architecture, are integrated with Singular Value Decomposition (SVD)-based beamforming and evaluated under identical operating conditions. The impact of DoA estimation accuracy, inference latency, beamforming-weight generation time, and resulting effective spectral efficiency is investigated. Results show that different estimators occupy distinct operating points in the accuracy-latency-performance design space. Although learning-based approaches substantially reduce estimation time compared with MUSIC, the overall processing latency increasingly becomes dominated by the computational cost of SVD-based beamforming. Among the evaluated methods, the Regression Convolutional Neural Network (RCNN) exhibits a favorable balance between estimation accuracy, computational efficiency, and beamforming performance, making it a promising candidate for real-time ISAC deployment. The findings further suggest that future low-latency ISAC systems may benefit from beamforming strategies that reduce or avoid computationally intensive SVD-based beamforming-weight generation.
• Abstract（参考訳）: ISAC (Integrated Sensing and Communication) システムは、効果的なビームフォーミングとスペクトル効率向上のための正確な方向推定(DoA)に依存する。 多くの古典的およびディープラーニングに基づくDoA推定手法が文献で報告されているが、実際のデプロイには推定精度と計算遅延の両方を考慮する必要があるため、リアルタイムISAC操作に適合性は十分に理解されていない。 本稿では,ISACビームフォーミングパイプライン内の古典的および学習的DoA推定器を体系的に比較するための統一評価フレームワークを提案する。 代表的な古典的および学習的DoA推定器とアンサンブルアーキテクチャは、Singular Value Decomposition(SVD)ベースのビームフォーミングと統合され、同一動作条件下で評価される。 DoA推定精度, 推定遅延, ビームフォーミングウェイト生成時間, および有効スペクトル効率の影響について検討した。 その結果, 精度-レイテンシ-性能設計空間において, 異なる推定器が異なる演算点を占有していることが判明した。 MUSICと比較して学習ベースのアプローチは推定時間を大幅に短縮するが、全体的な処理遅延はSVDベースのビームフォーミングの計算コストによってますます大きくなりつつある。 評価手法のうち、回帰畳み込みニューラルネットワーク(RCNN)は推定精度、計算効率、ビームフォーミング性能のバランスが良好であり、リアルタイムISACデプロイメントの候補として期待できる。 さらに,将来の低遅延ISACシステムは,計算集約的なSVDベースのビームフォーミングウェイト生成を減らし回避するビームフォーミング戦略の恩恵を受ける可能性が示唆された。

関連論文リスト

• A comprehensive and trustworthy benchmark of AI methods for change detection in Earth observation [6.608286365425497]
  地球観測における変化検出は、陸地表面の変化を監視するために重要である。 本稿では,変化検出のためのSOTA(State-of-the-art)ディープラーニング手法を評価するための,標準化されたオープンソースベンチマークを提案する。
  論文  参考訳（メタデータ） (2026-08-28T12:04:39Z)
• A Novel Approach to Temporal QoS Estimation via Extended Kalman Filter-Incorporated Latent Feature Analysis [20.92363732107246]
  本稿では,効率的な時間的予測を行うために,拡張カルマンフィルタ拡張潜在特徴分析(EKL)モデルを提案する。 提案するEKLは,時間的データ不足に対する計算効率と予測精度の両方に関して,既存の最先端モデルを上回っている。 実世界の時間的データセットを用いて行った実験結果から,提案したEKLは,時間的データ不足に対する計算効率と予測精度の両方に関して,既存の最先端モデルを上回っていることが明らかとなった。
  論文  参考訳（メタデータ） (2026-06-22T08:22:18Z)
• Direct Advantage Estimation for Scalable and Sample-efficient Deep Reinforcement Learning [54.916555668983726]
  遷移確率を効率的に近似する離散潜在力学モデルを導入する。 DAEは高い試料効率を維持しつつ,関数近似器の容量で効果的にスケールすることがわかった。
  論文  参考訳（メタデータ） (2026-06-18T15:58:48Z)
• Information Processing Capacity of Stationary Physical Systems: Theory, Data-efficient Estimation Methods, and Photonic Demonstration [0.8602553195689513]
  我々は、Information Processing Capacityフレームワークを静止物理コンピューティングシステムに拡張する。 非線形光ファイバーを介して伝播するピコ秒レーザーパルスをベースとしたフォトニックコンピューティングシステムを用いて,この枠組みを実験的に検証する。 これらの結果は、物理コンピューティングシステムの力学と機械学習性能の実践的な橋渡しとしてIPCを確立している。
  論文  参考訳（メタデータ） (2026-05-18T22:13:52Z)
• Scalable AI Inference: Performance Analysis and Optimization of AI Model Serving [0.9167082845109437]
  本研究では,グラフワークス.aiと連携して開発されたスケーラブルなモデル提供のためのベントMLベースのAI推論システムの性能と最適化について検討する。 調査では、さまざまなワークロード下でのレイテンシとスループットのスケールアップ、ランタイム、サービス、デプロイメントレベルの最適化がレスポンス時間にどのように影響するか、単一ノードのK3sクラスタでのデプロイメントが障害時のレジリエンスに与える影響について検討した。
  論文  参考訳（メタデータ） (2026-04-22T10:39:14Z)
• RADAR: Revealing Asymmetric Development of Abilities in MLLM Pre-training [59.493415006017635]
  事前訓練されたマルチモーダル大言語モデル(MLLM)は、ポストトレーニングのための知識豊富な基盤を提供する。 現在の評価は、厳格な追加トレーニングと自己回帰的復号コストを導入する、教師付き微調整後のテストに依存している。 MLLM pRe トレーニングにおける非対称性向上のための効率的な能力中心評価フレームワーク RADAR を提案する。
  論文  参考訳（メタデータ） (2026-02-13T12:56:31Z)
• The Art of Scaling Reinforcement Learning Compute for LLMs [52.71086085139566]
  強化学習(RL)は、大規模言語モデルの訓練の中心となっている。 計算予算の急激な増加にもかかわらず、RL計算のスケーリングにおけるアルゴリズム改善の評価方法に関する原則的な理解は存在しない。 我々は,約40万時間以上のGPU時間を有する,最初の大規模体系的な研究を提示する。
  論文  参考訳（メタデータ） (2025-10-15T17:43:03Z)
• CurES: From Gradient Analysis to Efficient Curriculum Learning for Reasoning LLMs [53.749193998004166]
  カリキュラム学習は,大規模言語モデルの学習効率を高める上で重要な役割を担っている。 収束を加速し,計算オーバーヘッドを最小限に抑えるためにベイズ後続推定を用いた効率的な学習法であるCurESを提案する。
  論文  参考訳（メタデータ） (2025-10-01T15:41:27Z)
• Unifying Synergies between Self-supervised Learning and Dynamic Computation [53.66628188936682]
  SSLとDCのパラダイム間の相互作用に関する新しい視点を提示する。 SSL設定において、スクラッチから高密度かつゲートされたサブネットワークを同時に学習することは可能であることを示す。 密集エンコーダとゲートエンコーダの事前学習における共進化は、良好な精度と効率のトレードオフをもたらす。
  論文  参考訳（メタデータ） (2023-01-22T17:12:58Z)
• Improving Music Performance Assessment with Contrastive Learning [78.8942067357231]
  本研究では,既存のMPAシステムを改善するための潜在的手法として,コントラスト学習について検討する。 畳み込みニューラルネットワークに適用された回帰タスクに適した重み付きコントラスト損失を導入する。 この結果から,MPA回帰タスクにおいて,コントラッシブ・ベースの手法がSoTA性能に適合し,超越できることが示唆された。
  論文  参考訳（メタデータ） (2021-08-03T19:24:25Z)

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。