論文の概要: Collaborative In-Context Learning for Indoor Radio Map Estimation

• arxiv url: http://arxiv.org/abs/2610.31702v1
• Date: Wed, 21 Oct 2026 18:29:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 01:38:06.246305
• Title: Collaborative In-Context Learning for Indoor Radio Map Estimation
• Title（参考訳）: 室内無線地図推定のための協調的文脈学習
• Abstract要約: 室内RMEを協調的文脈内学習(ICL)問題として定式化するための最初の試みを行う。 モデル更新なしに大規模な自己回帰視覚モデル(LAVM)を用いて複数のクライアントがICLを実行するためのフレームワークであるPoly-Rippleを提案する。 理論的解析を行い,公的な屋内RMEベンチマークで広範な実験を行う。
• 参考スコア（独自算出の注目度）: 5.187322180122905
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Indoor radio map estimation (RME) is essential for wireless applications such as coverage planning, localization, and network deployment. However, most existing methods follow a supervised learning paradigm that requires costly labeled data and task-specific model training. Moreover, indoor environments involve privacy-sensitive information, such as building layouts and structures, that often cannot be centralized. To address these challenges, we make the first attempt to formulate indoor RME as a collaborative in-context learning (ICL) problem. We propose Poly-Ripple, a framework in which multiple clients perform ICL using large autoregressive vision models (LAVMs) without model updates. Each client is prompted by its private demonstrations and predicts the radio map for the same scene query. To capture the causal structure of wireless propagation outward from the transmitter (Tx), we adopt ripple-ordered autoregressive modeling. We further introduce importance-aware aggregation to exploit heterogeneous contextual knowledge distributed across clients under the context length constraint. We provide theoretical analysis and conduct extensive experiments on a public indoor RME benchmark. The experimental results show that Poly-Ripple consistently outperforms representative ICL baselines, while aligning with our theoretical analysis.
• Abstract（参考訳）: 屋内無線マップ推定(RME)は、カバープランニング、ローカライゼーション、ネットワーク展開などの無線アプリケーションに不可欠である。 しかし、既存のほとんどの手法は、高価なラベル付きデータとタスク固有のモデルトレーニングを必要とする教師付き学習パラダイムに従っている。 さらに、屋内環境は、しばしば集中できないような、建築レイアウトや構造のようなプライバシーに敏感な情報を含んでいる。 これらの課題に対処するために、屋内RMEを協調的文脈内学習(ICL)問題として定式化する最初の試みを行う。 モデル更新なしに大規模な自己回帰視覚モデル(LAVM)を用いて複数のクライアントがICLを実行するためのフレームワークであるPoly-Rippleを提案する。 各クライアントはプライベートなデモによってトリガーされ、同じシーンクエリの無線マップを予測する。 送信機(Tx)から外部への無線伝搬の因果構造を捉えるため,我々はリップルオーダーの自己回帰モデルを採用する。 さらに、コンテキスト長制約の下でクライアント間で分散された異種コンテキスト知識を活用するために、重要認識集約を導入する。 理論的解析を行い,公的な屋内RMEベンチマークで広範な実験を行う。 実験の結果,Poly-Rippleは理論解析と整合しながら,代表的ICLベースラインを一貫して上回っていることがわかった。

関連論文リスト

• Democratizing LLM Training with the Edge: Challenges, Systems, and the Road Ahead [74.51334617162264]
  大規模言語モデル(LLM)は、大量のデータをトレーニングし、デプロイすることができる。 しかし、これらのモデルとそのトレーニングデータの高さは、集中型開発を持続しにくくしています。 本稿では,クラウドにホストされたパラメータサーバを中心に構築された統合システムアーキテクチャについて述べる。
  論文  参考訳（メタデータ） (2026-10-23T06:11:51Z)
• RA-LWLM: Retrieval-Augmented In-Context Localization with Wireless Foundation Models [30.551230783361422]
  RA-LWLMは、検索拡張インコンテキストローカライゼーションフレームワークである。 シーン固有の情報を、シーンごとの指紋データベースに外部化する。 RA-LWLMは、シーンごとの再トレーニングを行わずに、見かけや見えないシーンでほぼ同じ精度を達成する。
  論文  参考訳（メタデータ） (2026-06-01T08:39:23Z)
• Multi-Domain Learning with Global Expert Mapping [102.62297074508147]
  Mixture-of-Experts (MoE)モデルは、入力を専門分野(専門家)にルーティングすることでスケーラブルなソリューションを提供する。 本稿では,学習ルータをグローバルスケジューラに置き換えるプランナー・コンパイラフレームワークであるGEMを提案する。 我々のプランナーは線形プログラミングの緩和に基づいて、データセットを専門家に分数的に割り当てる一方、コンパイラはこのソフトプランを決定論的でキャパシティを意識したマッピングに変換するために階層的なラウンドリングを適用する。 実験の結果、GEM-DINOはUODBベンチマークで最先端のパフォーマンスを達成し、表現不足のデータセットに顕著な利益をもたらし、タスク干渉をわずかに解決していることがわかった。
  論文  参考訳（メタデータ） (2026-04-20T21:09:34Z)
• RadioMapMotion: A Dataset and Baseline for Proactive Spatio-Temporal Radio Environment Prediction [21.594684328904403]
  本稿では,過去の観測から将来の地図の列を予測することを含む,動的RM予測の課題を提案する。 この予測アプローチの鍵となる障壁は、継続的環境進化をキャプチャするデータセットの欠如である。 物理的に一貫した車両軌道から生成された連続RMシーケンスの大規模公開データセットであるRadioMapMotionを紹介する。
  論文  参考訳（メタデータ） (2025-10-24T03:25:25Z)
• Physics-Inspired Distributed Radio Map Estimation [28.88538563486102]
  本研究では,陸地情報がない場合に,物理に着想を得た分散ラジオマップ推定(RME)ソリューションを提案する。 グローバルオートエンコーダモジュールはクライアント間で共有され、無線伝搬パターンに対する共通のパスロスの影響を捉え、クライアント固有のオートエンコーダモジュールはローカルシャドーイング効果によって生成される個々の特徴の学習に重点を置いている。
  論文  参考訳（メタデータ） (2025-02-01T04:58:17Z)
• A Practitioner's Guide to Continual Multimodal Pretraining [83.63894495064855]
  マルチモーダル・ファンデーション・モデルは視覚と言語を交わす多くのアプリケーションに役立っている。 モデルを更新し続けるために、継続事前トレーニングの研究は主に、大規模な新しいデータに対する頻度の低い、差別的な更新、あるいは頻繁に行われるサンプルレベルの更新のシナリオを探求する。 本稿では,FoMo-in-Flux(FoMo-in-Flux)について紹介する。
  論文  参考訳（メタデータ） (2024-08-26T17:59:01Z)
• RadioGAT: A Joint Model-based and Data-driven Framework for Multi-band Radiomap Reconstruction via Graph Attention Networks [36.8227064106456]
  マルチバンド無線マップ再構成(MB-RMR)は、スペクトル管理やネットワーク計画といったタスクのための無線通信において重要な要素である。 シミュレーションデータに大きく依存する従来の機械学習ベースのMB-RMRメソッドは、重要なデプロイメント課題に直面している。 本研究では,単一領域におけるMB-RMRに適したグラフ注意ネットワーク(GAT)に基づく新しいフレームワークであるRadioGATを提案する。
  論文  参考訳（メタデータ） (2024-03-25T03:23:10Z)
• Edge-assisted Democratized Learning Towards Federated Analytics [67.44078999945722]
  本稿では,エッジ支援型民主化学習機構であるEdge-DemLearnの階層的学習構造を示す。 また、Edge-DemLearnを柔軟なモデルトレーニングメカニズムとして検証し、リージョンに分散制御と集約の方法論を構築する。
  論文  参考訳（メタデータ） (2020-12-01T11:46:03Z)
• Deep Learning for Ultra-Reliable and Low-Latency Communications in 6G Networks [84.2155885234293]
  まず,データ駆動型教師付き深層学習と深部強化学習をURLLCに適用する方法を概説する。 このようなオープンな問題に対処するために、デバイスインテリジェンス、エッジインテリジェンス、およびURLLCのためのクラウドインテリジェンスを可能にするマルチレベルアーキテクチャを開発した。
  論文  参考訳（メタデータ） (2020-02-22T14:38:11Z)

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。