論文の概要: Do Ray-Traced Cities Make a Better Channel Prior for an Unseen Site? A Pre-Registered Study in Simulation, and a Test on Measured Channels that Reverses It

• arxiv url: http://arxiv.org/abs/2611.05128v1
• Date: Tue, 03 Nov 2026 16:13:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-07 14:13:27.584954
• Title: Do Ray-Traced Cities Make a Better Channel Prior for an Unseen Site? A Pre-Registered Study in Simulation, and a Test on Measured Channels that Reverses It
• Title（参考訳）: レイトレークシティーは、未確認の場所に先立ってより良いチャネルを作るのか? シミュレーションで事前登録された研究と、それを逆転する測定チャネルのテスト
• Abstract要約: 我々は、多くのレイトラベル都市から事前にプールされたチャンネルが、3つのLTEチャネルモデルよりも見当たらないサイトを提供するかどうか尋ねる。 14都市のシーンにおけるSionna RTでは,共分散先行値からのLMMSE推定,残量評価,各主要実験前に書き下ろされたパス/フェイルバーについて検討した。 シミュレーションでは,50回の観測でCDLが到達した値について,現場で訓練された推定器から約0.6dBの値が得られた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Channel estimators at a newly deployed base station usually start from 3GPP stochastic channel models, which describe no particular street. We ask whether a channel prior pooled from many ray-traced cities serves an unseen site better than the 3GPP CDL models, and whether learned estimators make the difference. With Sionna RT on 14 city scenes, LMMSE estimation from covariance priors, leave-one-city-out evaluation, and pass/fail bars written down before each main experiment, we find in simulation that the pooled prior sits about 0.6 dB from a site-trained estimator with no site measurements, about what CDL reaches after 50 measurements. Learned models added little: at most 0.65 dB in estimation, and in channel prediction a simple classical method beat CNN predictors by 1.8-12 dB from 2 ms ahead. On measured channels from the DICHASUS outdoor dataset (1.272 GHz, three 2x8 arrays on one building) the result reversed: the pooled ray-traced prior was 3.2-4.1 dB worse than CDL. The simulated channels were too clean; with users at the real distances, even a scattering level tuned from 50 site measurements left the prior about 2 dB behind CDL. A pre-registered follow-on on two more measured environments found the generic CDL prior 2.1-4.7 dB from a site-trained one: no further in a factory hall than on the street, furthest in a small lab room. Finally, a hallway model calibrated to measurements by differentiable ray tracing reproduced delay spread, but as a prior in an unmeasured part of the hallway it was 4.5 dB worse than CDL on the full array. All measured results come from one sounder.
• Abstract（参考訳）: 新しく配備された基地局のチャネル推定は、通常、特定の通りを記述する3GPP確率チャネルモデルから始まる。 我々は,3GPP CDLモデルよりも先進的なチャネルが,見当たらないサイトとして機能するかどうかを問うとともに,学習した推定器が違いを生んでいるかどうかを問う。 14都市のシーンでのSionna RT, 共分散前のLMMSE推定, 主要実験に先立って書き下ろされたパス/フェイルバー, 実験結果から, CDLが50測定後に到達した値について, サイトトレーニングされた推定値から約0.6dBのプールプレが設定されていることをシミュレーションで確認した。 学習モデルはほとんど追加されなかった: 少なくとも0.65dB、チャネル予測では、単純な古典的手法が2msのCNN予測を1.8-12dB上回った。 DICHASUSの屋外データセット(1.272 GHz、1つの建物に3つの2x8アレイ)の測定結果が逆転した。 実際の距離では、50のサイト測定から調整された散乱レベルでさえ、CDLの約2dBを残した。 2つのさらに測定された環境で事前登録された追跡調査では、現場で訓練されたものから2.1-4.7 dB以前の一般的なCDLが見つかった。 最後に, 異なる光線追跡法で測定した廊下モデルでは遅延拡散が再現されたが, 廊下の未測定部分では, フルアレイ上のCDLよりも4.5dB低かった。 すべての測定結果は、1つのサウンドから得られます。

関連論文リスト

• Bayesian Distribution System State Estimation with Flow Matching [1.5839621757142595]
  中電圧給電装置用ポジショニングポジショニング(後部サンプリング,状態推定)を提案する。 PoSEは、配信システムオペレータが知らないこと、すなわちサブステーションインジェクションの分散のみを学ぶ。 すべての推定器の最も低い注入、電圧、分岐電流誤差を与える。
  論文  参考訳（メタデータ） (2026-10-29T10:37:37Z)
• INLA for Adaptive UAV Sampling of Radio Environment Maps in IoT Networks: Prior Width Governs Accuracy and Calibration [3.0072523261333655]
  非ガウスIoT観測による無線環境マップ(REM)構築のための適応型UAVサンプリングについて検討した。 本研究は,スキュー・ノーマル補正による性的エントロピー効果が,経路選択に限られた影響を説明できることを示した。
  論文  参考訳（メタデータ） (2026-10-29T06:18:50Z)
• What Do Foundation Models for Market Microstructure Learn? A Controlled Study with Synthetic Limit Order Books [52.171034819111945]
  我々は,潜在パラメータが知られているシミュレータから,GPTスタイルのモデルを順序流で学習する。 学習された予測は、トークン当たり1ミリナット以内のベイズ最適値と一致する。 実NASDAQデータでは、ゼロショット転送はシミュレーターが実際の流れをいかにうまくカバーするかによって設定される。
  論文  参考訳（メタデータ） (2026-10-14T12:38:49Z)
• LiLib: Lifelong Air-to-Ground Path-Loss Prediction on UAVs via a Drift-Triggered Model Library [3.4658060802121624]
  本稿では,UAVのための軽量連続学習方式LiLibを提案する。 ウィンドウ化された残留テストはドリフトを検出し、短いプローブフェーズは、最も保存状態の良い専門家を再利用するか、新しい専門家を作成する。 再発するドリフトでは、記憶は再適応よりも効果的である。
  論文  参考訳（メタデータ） (2026-10-05T15:53:19Z)
• Solution for UCF UrbanTwin LUMPI Track: Sim-to-Real Urban LiDAR 3D Object Detection [54.03436243843709]
  UCF UrbanTwin Sim2Real LiDAR Challenge at the 6th DriveX Workshop, ECCV 2026。 検出器は合成データのみに基づいて訓練され、50個の実LiDARフレームで評価される。 ポイントクラウドリアリズムに対して、別の50フレームの合成提案が評価される。
  論文  参考訳（メタデータ） (2026-09-07T15:03:36Z)
• Scaling Closed-Loop Feature Channel Configuration with LLMs [48.83701310501069]
  この分析では,8サイクルから2000件の候補が生成され,タスクおよびメタデータフィルタリング後のCIFAR-100の評価結果が462件得られた。 最良のモデルは11.8Mパラメータで0.3676に達し、初期のハイパフォーマンスモデルは0.3144で166.5Mパラメータである。 検証された候補の41.8%で2つのチャネル幅の非パワーが発生し、最強のモデルではチャネル配置パターンが共有される。
  論文  参考訳（メタデータ） (2026-07-07T22:31:53Z)
• Entropy Across the Bridge: Conditional-Marginal Discretization for Flow and Schrödinger Samplers [68.9946633641494]
  フローマッチングとシュルディンガーブリッジは確率を定義するが、その推論格子は通常一点拡散から受け継がれる。 終端条件付き橋梁形状を境界流の進化から分離し, 橋梁を識別する条件付きエントロピーレートを導出する。 EDM/CIFAR-10では、エントロピックな時間分散は5段階のFID(186.3 pm 4.0対200.5 pm 2.9対cosineの238.0 pm 5.3)が最適である。
  論文  参考訳（メタデータ） (2026-05-15T16:11:10Z)
• Why Channel-Centric Models are not Enough to Predict End-to-End Performance in Private 5G: A Measurement Campaign and Case Study [0.0]
  通信対応ロボット計画には,無線ネットワーク性能の正確な予測が必要である。 現在のアプローチは、受信信号強度や信号対雑音比といったチャネルレベルの指標に依存している。 我々は,民間の5G産業環境における計測キャンペーンを通じて,この仮定に挑戦する。
  論文  参考訳（メタデータ） (2026-03-09T19:27:00Z)
• Environment-Aware Indoor LoRaWAN Path Loss: Parametric Regression Comparisons, Shadow Fading, and Calibrated Fade Margins [3.776919981139063]
  内部のLoRaWAN伝播は、構造的および時間的変化の文脈因子によって形成される。 リークセーフなクロスバリデーションを用いて評価した,環境に配慮した統計的に規律のある経路損失フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-05T20:14:48Z)
• DataDecide: How to Predict Best Pretraining Data with Small Experiments [67.95896457895404]
  私たちはDataDecideのモデル、データ、評価を公開しています。 最大100Bトークン,最大1Bパラメータのモデルサイズ,および3つのランダムシードを用いて,25コーパスにわたる事前学習実験を行った。
  論文  参考訳（メタデータ） (2025-04-15T17:02:15Z)

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。