論文の概要: When Does Spatial Cooperation Help? Contamination Regimes in Decentralized Online Spectrum Anomaly Learning

• arxiv url: http://arxiv.org/abs/2611.00532v1
• Date: Sat, 31 Oct 2026 01:42:13 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 19:43:00.434039
• Title: When Does Spatial Cooperation Help? Contamination Regimes in Decentralized Online Spectrum Anomaly Learning
• Title（参考訳）: 空間協力はいつに役立つか? 分散オンラインスペクトル異常学習における汚染レジーム
• Abstract要約: 学習ベースのスペクトルモニターは、変化の良心的な変化にオンラインで適応する。 永続的なローグ送信は 学習の背景に徐々に組み込まれます 我々は、このトレードオフを、サンプルゲーティングとモデル共有を備えた分散オンライン学習者を用いて研究する。
• 参考スコア（独自算出の注目度）: 13.361023246747004
• License:
• Abstract: Learning-based spectrum monitors adapt online to benign propagation changes, but persistent rogue transmissions can gradually become incorporated into the learned background. Spatially distributed receivers provide additional evidence for detecting such anomalies, while decentralized model mixing can also spread contamination to receivers with clean measurements. We study this tradeoff using a decentralized online learner with sample gating and model sharing. We show that, without defenses, contamination propagation is governed by the occupancy rate and is independent of cross-receiver correlation. In contrast, the benefit of spatial fusion depends strongly on correlation and the detector operating point, so cooperation can either improve or degrade detection. We also show that fragmented transmissions can evade gating based on temporally smoothed statistics. Combining smoothed and per-sample gating substantially improves robustness to such intermittent contamination.
• Abstract（参考訳）: 学習に基づくスペクトルモニターは, 伝播変化に適応するが, 永続的なローグ伝送は学習背景に徐々に組み込むことができる。 空間分布型受信機はこのような異常を検出するための付加的な証拠を提供する一方、分散モデル混合は汚染をクリーンな測定で受信機に広めることもできる。 我々は、このトレードオフを、サンプルゲーティングとモデル共有を備えた分散オンライン学習者を用いて研究する。 本研究は, 防衛がなければ, 汚染伝播は占有率によって制御され, 相互受容者相関とは無関係であることを示す。 対照的に、空間融合の利点は相関と検出器の動作点に強く依存するため、協調は検出を改善するか劣化させる可能性がある。 また,時間的スムーズな統計に基づいて,断片化伝送がゲーティングを回避できることを示す。 平滑化とサンプルごとのゲーティングの組み合わせは、断続的な汚染に対するロバスト性を大幅に向上させる。

関連論文リスト

• Unlocking the Potential of Contrastive Regularization for Diffusion Transformer Training [68.67914082057497]
  クリーン表現型コントラスト(CRAN)正規化を提案する。 CRANは、クリーンサンプル表現距離と対照的な分散をアンカーし、クリーンリレーショナルなセマンティック構造をノイズ拡散表現に転送する。 ImageNetの実験によると、CRANはモデルスケールやトレーニング予算を越えた拡散トランスフォーマートレーニングを一貫して改善している。
  論文  参考訳（メタデータ） (2026-11-02T10:51:26Z)
• CLOSURE: Cross-Channel Closure for Multivariate Time Series Anomaly Detection [14.456040309467403]
  回復可能性とチャネル間の整合性を2つの正規データ予測タスクとして評価するCLOSUREを提案する。 ClosUREは、公開ベンチマークストリーム上で、最近の再構成、周波数、トポロジに基づく検出器よりも一貫して優れています。
  論文  参考訳（メタデータ） (2026-10-26T17:02:10Z)
• Neural Conjugate Aggregation: Identifiable Unsupervised Multi-Sensor Regression under Heterogeneous Sensor Bias [0.0]
  本研究では,不確実性下での回帰に基づくデータ融合について検討する。 この設定は、センサーネットワーク、シミュレーションアンサンブル、そして監視が費用がかかるか不可能である科学的な監視システムで発生する。 本稿では,ニューラルネットワークと共役ガウス推論を組み合わせた階層型ベイズフレームワークであるニューラル共役凝集モデル(NCAM)を提案する。
  論文  参考訳（メタデータ） (2026-06-20T19:30:21Z)
• Verifying Closed-Loop Contractivity of Learning-Based Controllers via Partitioning [52.23804865017831]
  本稿では,ニューラルネットワークによるパラメータ化を行う非線形制御系における閉ループ収縮の検証問題に対処する。 我々は、対称メッツラー行列の優越的固有値が非正であることを確かめるために、閉ループの縮約性に対するトラクタブルでスケーラブルな十分条件を導出する。
  論文  参考訳（メタデータ） (2025-12-01T23:06:56Z)
• Joint Communication and Sensing with Bipartite Entanglement over Bosonic Channels [8.444687277893829]
  後方散乱信号を生成する欠陥の範囲を同時に特定しながら、低消費電力の送信機が受信機と通信しようとする光リンクにおいて、共同通信とセンシングの問題を考える。 量子ネットワークの絡み合いが想定される展開により、我々は送信機が絡み合いを利用して、そのセンシングと通信を支援することができる。 我々の主な成果は、特定のケースでタイムシェアリングに勝る、達成可能なレート/エラー体験領域という形で発生するトレードオフの特徴づけである。
  論文  参考訳（メタデータ） (2025-01-26T21:10:57Z)
• Rectified Diffusion Guidance for Conditional Generation [94.83538269086613]
  CFGの背後にある理論を再検討し、不適切な組合せ係数(textiti.e.)が生成分布を期待的にシフトさせることを厳密に確認する。 提案手法は, 強みを考慮すれば, textbftextitform ソリューションが有効であることを示す。 実世界のデータに関する実証的な証拠は、我々の設計と既存の最先端拡散モデルとの整合性を実証している。
  論文  参考訳（メタデータ） (2024-10-24T13:41:32Z)
• Collaborative Heterogeneous Causal Inference Beyond Meta-analysis [68.4474531911361]
  異種データを用いた因果推論のための協調的逆確率スコア推定器を提案する。 異質性の増加に伴うメタアナリシスに基づく手法に対して,本手法は有意な改善を示した。
  論文  参考訳（メタデータ） (2024-04-24T09:04:36Z)
• Learning Calibrated Uncertainties for Domain Shift: A Distributionally Robust Learning Approach [150.8920602230832]
  ドメインシフトの下で校正された不確実性を学習するためのフレームワークを提案する。 特に、密度比推定は、ターゲット(テスト)サンプルの近さをソース(トレーニング)分布に反映する。 提案手法は下流タスクに有利な校正不確実性を生成する。
  論文  参考訳（メタデータ） (2020-10-08T02:10:54Z)

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。