論文の概要: Learning Graph Beliefs for Active Radio Mapping With Decision-Certified Multi-Step Sensing

• arxiv url: http://arxiv.org/abs/2610.37717v1
• Date: Tue, 27 Oct 2026 05:50:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-31 05:25:12.301461
• Title: Learning Graph Beliefs for Active Radio Mapping With Decision-Certified Multi-Step Sensing
• Title（参考訳）: 高精度マルチステップセンシングによる能動無線マッピングのためのグラフ信念の学習
• Abstract要約: GraphBARCは、学習された空間モデリングと解析的ベイズ推定を統合するグラフ構造化アクティブ無線マップ構築フレームワークである。 実験により、GraphBARCは評価基準線とコア計画時間に対して平均根平均二乗誤差(RMSE)を16%以上削減し、固定精度の未実行実装と比較して56%以上削減した。
• 参考スコア（独自算出の注目度）: 28.620072022143514
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Radio maps provide essential wireless propagation knowledge for network optimization and autonomous platforms. Acquiring dense measurements, however, is prohibitively costly, requiring active sampling to prioritize informative measurements. Existing active sampling methods typically rely on variances from prescribed spatial models or learned pointwise uncertainty, which may not fully capture the spatial correlation of different measurements. This paper proposes GraphBARC, a graph-structured active radio map construction framework that integrates learned spatial modeling with analytical Bayesian inference. A graph network learns correlated node and edge factors using only acquired measurements, inducing a joint full-map belief that supports analytical observation updates without retraining. Rather than immediate one-step acquisition, it adopts a nonmyopic sensing strategy that evaluates joint map-wide Bayes risk reduction over feasible multi-step routes, accounting for information redundancy among planned measurements. We reuse candidate responses and derive residual-based bounds directly on route-value differences, retaining shared response-error structure to avoid uniformly high-accuracy evaluation. An error-aware continuation bound screens unpromising prefixes, after which only responses needed for unresolved comparisons are refined. We further establish a computable decision-gap bound and show that certified exclusions remain valid during refinement. Experiments show that GraphBARC reduces mean root-mean-square error (RMSE) by over 16% relative to the evaluated baselines and core planning time by 56% compared with the fixed-accuracy, unpruned implementation.
• Abstract（参考訳）: 無線マップは、ネットワーク最適化と自律プラットフォームに必須の無線伝搬知識を提供する。 しかし、高密度測定の取得は違法にコストがかかるため、情報測定の優先順位付けにはアクティブサンプリングが必要である。 既存のアクティブサンプリング手法は、通常、所定の空間モデルや学習点の不確実性からのばらつきに依存しており、異なる測定の空間的相関を完全には捉えられない。 本稿では,学習空間モデリングと解析ベイズ推定を統合したグラフ構造化能動無線マップ構築フレームワークGraphBARCを提案する。 グラフネットワークは、取得した測定値のみを用いて相関ノードとエッジ要素を学習し、再学習せずに解析的な観察更新をサポートする統合フルマップの信念を誘導する。 即時的なワンステップの取得ではなく、計画された測定値間の情報冗長性を考慮して、統合地図全体のベイズリスク低減を評価する非明視的センシング戦略を採用する。 候補応答を再利用し、経路値の差に直接残差に基づく境界を導出し、均一に高精度な評価を避けるために、共有応答エラー構造を保持する。 未解決比較に必要な応答のみを洗練させる誤り認識継続境界画面。 さらに、計算可能な決定ゲップ境界を確立し、改善期間中に認定除外が有効であることを示します。 実験により、GraphBARCは評価基準線とコア計画時間に対して平均根平均二乗誤差(RMSE)を16%以上削減し、固定精度の未実行実装と比較して56%以上削減した。

関連論文リスト

• COMPASS: Contextual Moment Prior Alignment for Generalizable AIGI Detection [87.91469665365304]
  一般化可能なAI生成画像(AIGI)とディープフェイク検出は、非対称性現象のため難しいままである。 最近の部分空間適応法は、残留部分空間を適応させながら高次主成分を凍結することによりこの問題を軽減する。 本稿では,小さなSemantic Proxy Setを用いて,ターゲットのアクティベーション統計を推定するデータ認識サブスペース適応フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-10-13T09:23:12Z)
• Gated Graph Neural Networks for Learning Hidden Independent Cascade Dynamics [50.02140519922548]
  情報や伝染病はソーシャルネットワークを通じて広まっていますが、ノードごとのアクティベーション時間なしでは予測が難しいのです。 本研究では,Hydden Independent Cascade(HIC)モデルの下で,この逆問題について検討する。 本研究では,個々の潜伏カスケードを再構成することなく,ノードレベルのパラメータベクトルを復元するシミュレーションベースの補正推定器を提案する。
  論文  参考訳（メタデータ） (2026-10-02T20:36:22Z)
• Online Supervised Dimension Reduction with Random Features: Diagnostics and Computational Trade-offs [3.7044133020722954]
  Online Kernel Supervised principal Component Analysis (OKSPCA)は、有限乱数係数座標における中心となるクロスモーメントと、確立された目的に対するAdamスタイルの正則基底更新を組み合わせたものである。 有限乱数係数座標における中心的クロスモーメントと、確立された目的に対するAdamスタイルの正規直交基底更新を組み合わせたOKSPCAについて、これらの区別について検討する。
  論文  参考訳（メタデータ） (2026-09-17T14:19:29Z)
• Learning Higher-Order Structure from Incomplete Spatiotemporal Data: Multi-Scale Hypergraph Laplacians with Neural Refinement [26.873671102536438]
  センサネットワークは現代のインフラを統治するが、標準計算ベンチマークによって仮定される一様ランダムパターンには、それらが失うデータが欠落することは滅多にない。 不完全な観測から高次構造を学習するフレームワークであるMulti-Scale Hypergraph Laplaciansを紹介する。 我々はMSHLがグループ保存パターンをペアワイズグラフに到達不能に表現し、対数係数まで最高の固定スケールに適応し、一方的な改善を保証することを証明した。
  論文  参考訳（メタデータ） (2026-05-17T08:15:16Z)
• RADMI: Latent Information Aggregation as a Proxy for Model Uncertainty [12.261505821589452]
  セグメンテーションネットワークにおけるデコーダ層間の相互情報を測定することにより,予測の不確かさを推定するシングルパス手法を提案する。 RADMIは,すべてのシングルパス方式において,深いアンサンブルの不確実性と高い相関を達成している。 この結果から,正規化情報フローの線形集約は,エンコーダ・デコーダアーキテクチャにおける予測の不確実性に対して,原理的かつ効率的なプロキシを提供する可能性が示唆された。
  論文  参考訳（メタデータ） (2026-05-02T15:49:25Z)
• Uncertainty Matters: Structured Probabilistic Online Mapping for Motion Prediction in Autonomous Driving [3.338005707097461]
  オンライン地図生成のための構造的確率的定式化を提案する。 グローバル空間構造をキャプチャする低ランク成分と、独立局所雑音を表す対角成分の組合せとして不確実性を示す。 提案手法は,計画課題における不確実性の重要性を浮き彫りにして,地図に基づく動き予測のための最先端性能を新たに確立する。
  論文  参考訳（メタデータ） (2026-03-20T15:56:48Z)
• Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• Towards Robust LiDAR Localization: Deep Learning-based Uncertainty Estimation [1.9268905951820923]
  反復クローズトポイント(ICP)は、特徴のない環境や動的なシーンでエラーを起こしやすいため、不正確なポーズ推定につながる。 本稿では、深層学習を利用したデータ駆動型フレームワークを提案し、マッチング前にICPの登録誤差共分散を推定する。 本手法はカルマンフィルタにおけるICPのシームレスな統合を可能にし,局所化精度とロバスト性を向上させる。
  論文  参考訳（メタデータ） (2025-09-23T13:02:44Z)
• Making Affine Correspondences Work in Camera Geometry Computation [62.7633180470428]
  局所的な特徴は、ポイント・ツー・ポイント対応ではなく、リージョン・ツー・リージョンを提供する。 本稿では,全モデル推定パイプラインにおいて,地域間マッチングを効果的に活用するためのガイドラインを提案する。 実験により、アフィンソルバはより高速な実行時にポイントベースソルバに匹敵する精度を達成できることが示された。
  論文  参考訳（メタデータ） (2020-07-20T12:07:48Z)
• Uncertainty Estimation Using a Single Deep Deterministic Neural Network [66.26231423824089]
  本稿では,1回のフォワードパスで,テスト時に分布データポイントの発見と拒否が可能な決定論的ディープモデルを訓練する手法を提案する。 我々は,新しい損失関数とセントロイド更新方式を用いて,これらをスケールトレーニングし,ソフトマックスモデルの精度に適合させる。
  論文  参考訳（メタデータ） (2020-03-04T12:27:36Z)

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。