論文の概要: Normalizing Flow for Neural-Enhanced Track-Before-Detect

• arxiv url: http://arxiv.org/abs/2610.25044v1
• Date: Sun, 18 Oct 2026 06:02:32 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:37:07.754
• Title: Normalizing Flow for Neural-Enhanced Track-Before-Detect
• Title（参考訳）: ニューラル強化路面検出のための正規化流れ
• Abstract要約: マルチオブジェクトトラッキングは、自律ナビゲーション、レーダー、ソナーシステムにおいて基本的な機能である。 本稿では,複雑に評価された生信号を直接操作するTkBD(Neural-enhanced Track-before-detect)フレームワークを提案する。 我々は,高次元演算を回避する信念伝搬と,効率的な低次元更新のためのシーケンシャルモンテカルロ法を組み合わせた最近導入されたベイズ的TkBDフレームワークを利用する。
• 参考スコア（独自算出の注目度）: 8.429591808686231
• License:
• Abstract: Multiobject tracking (MOT) is a fundamental capability in autonomous navigation, radar and sonar systems, as well as 6G integrated sensing-and-communication (ISAC) networks. In this paper, we propose a neural-enhanced track-before-detect (TkBD) framework that operates directly on complex-valued raw signals and learns a latent representation of unmodeled propagation effects during runtime. We introduce an environment-dependent latent intensity variable that characterizes the signal power of each object in the shared propagation environment. The probability density function of this intensity variable is represented by a normalizing flow and trained online in an unsupervised manner within the sequential Bayesian inference procedure. The learning objective is derived from a variational Bayes formulation by maximizing the evidence lower bound (ELBO), thereby accounting for the uncertainties inherent in the Bayesian TkBD problem. To enable scalable inference, we make use of a recently introduced Bayesian TkBD framework that combines belief propagation, which avoids high-dimensional operations, with sequential Monte Carlo methods for efficient low-dimensional updates.
• Abstract（参考訳）: マルチオブジェクトトラッキング(MOT)は、自律ナビゲーション、レーダー、ソナーシステム、および6G統合センシング通信(ISAC)ネットワークの基本的な機能である。 本稿では、複雑な値を持つ生信号を直接操作し、実行中に非モデル化された伝搬効果の潜在表現を学習する、ニューラルネットワークによるトラック前検出(TkBD)フレームワークを提案する。 本稿では,共有伝搬環境における各物体の信号パワーを特徴付ける環境依存潜時強度変数を提案する。 この強度変数の確率密度関数は正規化フローで表され、シーケンシャルベイズ推論手順の中で教師なしの方法でオンラインに訓練される。 学習目的は、エビデンスローバウンド(ELBO)を最大化し、ベイズ的TkBD問題に固有の不確実性を考慮することにより、変分ベイズ定式化から導かれる。 スケーラブルな推論を実現するために,高次元演算を回避する信念伝搬と,高次元更新を効率的に行うモンテカルロ法を組み合わせた,最近導入されたベイズ的TkBDフレームワークを利用する。

関連論文リスト

• Learning to Distributedly Estimate under Partially Known Dynamics: A Covariance-Agnostic Neural Kalman Consensus Filter [31.377504700683374]
  本稿では,潜時状態推定を行うためにエージェントが協調して情報を交換する,新しいオンライン分散センシングフレームワークを提案する。 提案した推定器は、利用可能な部分的ドメイン知識とディープニューラルネットワークの表現能力を組み合わせたものである。 線形、カオス(z)および実用的なワイヤレストラッキング環境の実験により、提案したCoLoren-Agnostic Neural Kalman Consensus Filter (CA-NKCF)が従来の分散Kalmanおよびパーティクルフィルタより優れていることが明らかになった。
  論文  参考訳（メタデータ） (2026-06-26T08:07:31Z)
• AmbShield: Enhancing Physical Layer Security with Ambient Backscatter Devices against Eavesdroppers [69.56534335936534]
  AmbShieldは自然分布のAmBDを利用して正規チャネルを強化し、eavesdropperを分解するAmBD支援PSSスキームである。 AmbShieldでは、AmBDはランダムに後方散乱して盗聴者の干渉を発生させるフレンドリーなジャマーとして利用され、受動的リレーは所望の信号を後方散乱して正当な装置の容量を高める。
  論文  参考訳（メタデータ） (2026-01-14T20:56:50Z)
• A Spiking Neural Network Implementation of Gaussian Belief Propagation [3.05103886673788]
  ベイズ推定の分散形式、すなわち因子グラフ上のメッセージパッシングについて検討する。 我々は、スパイクベースの信号として係数ノードに現れるメッセージを符号化することで、信条伝達を行う。 3つのコア線形演算、等性(分岐)、加算、乗算は、漏れやすい統合・火災モデルのネットワークで実現される。
  論文  参考訳（メタデータ） (2025-12-11T13:43:42Z)
• Simulating Distribution Dynamics: Liquid Temporal Feature Evolution for Single-Domain Generalized Object Detection [58.25418970608328]
  Single-Domain Generalized Object Detection (Single-DGOD)は、あるソースドメインで訓練された検出器を複数の未知のドメインに転送することを目的としている。 シングルDGODの既存の方法は通常、データの多様性を拡大するために離散的なデータ拡張や静的摂動法に依存している。 そこで本研究では,ソース領域から潜伏分布のシミュレーションに至るまでの機能の進化をシミュレートする手法を提案する。
  論文  参考訳（メタデータ） (2025-11-13T03:10:39Z)
• Diffusion Generative Flow Samplers: Improving learning signals through partial trajectory optimization [87.21285093582446]
  Diffusion Generative Flow Samplers (DGFS) はサンプルベースのフレームワークであり、学習プロセスを短い部分的軌道セグメントに分解することができる。 生成フローネットワーク(GFlowNets)のための理論から着想を得た。
  論文  参考訳（メタデータ） (2023-10-04T09:39:05Z)
• Distributed Variational Inference for Online Supervised Learning [15.038649101409804]
  本稿では,スケーラブルな分散確率的推論アルゴリズムを提案する。 センサネットワークにおける連続変数、難解な後部データ、大規模リアルタイムデータに適用できる。
  論文  参考訳（メタデータ） (2023-09-05T22:33:02Z)
• Robust Learning via Ensemble Density Propagation in Deep Neural Networks [6.0122901245834015]
  本稿では,ディープニューラルネットワーク(DNN)の層を通した密度伝搬の問題を定式化し,それをエンサンブル密度伝搬法を用いて解く。 MNISTとCIFAR-10データセットを用いた実験は、ランダムノイズや敵攻撃に対するトレーニングモデルの堅牢性を大幅に改善したことを示している。
  論文  参考訳（メタデータ） (2021-11-10T21:26:08Z)
• A Variational Bayesian Approach to Learning Latent Variables for Acoustic Knowledge Transfer [55.20627066525205]
  本稿では,ディープニューラルネットワーク(DNN)モデルにおける潜伏変数の分布を学習するための変分ベイズ(VB)アプローチを提案する。 我々の提案するVBアプローチは,ターゲットデバイスにおいて良好な改善が得られ,しかも,13の最先端知識伝達アルゴリズムを一貫して上回っている。
  論文  参考訳（メタデータ） (2021-10-16T15:54:01Z)
• Network Diffusions via Neural Mean-Field Dynamics [52.091487866968286]
  本稿では,ネットワーク上の拡散の推論と推定のための新しい学習フレームワークを提案する。 本研究の枠組みは, ノード感染確率の正確な進化を得るために, モリ・ズワンジッヒ形式から導かれる。 我々のアプローチは、基礎となる拡散ネットワークモデルのバリエーションに対して多用途で堅牢である。
  論文  参考訳（メタデータ） (2020-06-16T18:45:20Z)

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。