論文の概要: GLCR: Global-Local Collaborative Routing for Multi-Task Electromagnetic Signal Processing
- arxiv url: http://arxiv.org/abs/2611.15609v1
- Date: Wed, 11 Nov 2026 15:27:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.182718
- Title: GLCR: Global-Local Collaborative Routing for Multi-Task Electromagnetic Signal Processing
- Title(参考訳): GLCR:マルチタスク電磁信号処理のためのグローバルローカル協調ルーティング
- Abstract要約: GLCRは,グローバルディスパッチと類似タスクの局所的識別を組み合わせた2段階のルーティング手法である。
比較対象の手法のうち最低遅延時間を1サンプルあたり1.43msで達成し、システム全体のFLOPを全ての専門家と比較して5.9倍削減する。
- 参考スコア(独自算出の注目度): 19.49638805136669
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep neural networks for electromagnetic signal processing are typically developed as single-task experts with fixed inputs and objectives, limiting cross-task transferability. Electromagnetic foundation models offer broader task coverage but incur substantial pretraining and inference costs. To balance accuracy and efficiency, we adopt model routing to dynamically dispatch unknown signals to matched experts within a heterogeneous pool. We construct HeteroSignal-7, a multi-task routing benchmark with 140,000 samples from seven datasets covering six task types, paired with seven classification and waveform-recovery experts and a unified evaluation protocol. We then propose GLCR, a two-stage routing method combining global dispatch with local discrimination of similar tasks. First, a lightweight one-dimensional convolutional neural network (CNN) with an additive-margin head predicts one of seven routing classes. Second, a gradient-boosted-tree specialist uses four physical statistics to re-evaluate samples whose top two candidates match a confusion pair automatically identified from validation errors. The pipeline is trained across the full signal-to-noise ratio (SNR) range and requires neither SNR labels nor noise estimation at inference time. GLCR outperforms all 19 baselines, achieving 96.16% routing accuracy and a 76.30% system score, exceeding the respective second-best baselines by 1.16% and 1.14%. It achieves the lowest routing latency among the compared methods at 1.43 ms per sample and reduces expected overall system FLOPs by 5.9 times compared with executing all experts. This work provides a public evaluation platform and an efficient, reproducible baseline for heterogeneous expert routing in electromagnetic signal processing.
- Abstract(参考訳): 電磁信号処理のためのディープニューラルネットワークは、通常、特定の入力と目的を持つ単一タスクの専門家として開発され、クロスタスク転送可能性を制限する。
電磁基礎モデルはより広範なタスクカバレッジを提供するが、かなりの事前訓練と推論コストがかかる。
精度と効率のバランスをとるために、不均一プール内の一致した専門家に未知の信号を動的にディスパッチするモデルルーティングを採用する。
We construct HeteroSignal-7, a multi-task routing benchmark with 1440,000 sample from 7 datasets covered six task types, paired with 7 classification and waveform-recovery experts and a unified evaluation protocol。
次に,グローバルディスパッチと類似タスクの局所的識別を組み合わせた2段階ルーティング手法であるGLCRを提案する。
まず、加法マージンヘッドを持つ軽量一次元畳み込みニューラルネットワーク(CNN)は、7つのルーティングクラスのうちの1つを予測する。
第2に、勾配木の専門家は、4つの物理統計値を使用して、上位2つの候補が検証エラーから自動的に識別される混乱ペアにマッチするサンプルを再評価する。
パイプラインはSNR(Full Signal-to-Noise ratio)の範囲でトレーニングされており、SNRラベルや推測時のノイズ推定は必要としない。
GLCRは19のベースライン全てを上回り、96.16%のルーティング精度と76.30%のシステムスコアを達成し、それぞれが1.16%と1.14%を超えた。
比較対象の手法のうち最低遅延時間を1サンプルあたり1.43msで達成し、システム全体のFLOPを全ての専門家と比較して5.9倍削減する。
この研究は、電磁信号処理における不均一なエキスパートルーティングのための公共評価プラットフォームと効率的かつ再現可能なベースラインを提供する。
関連論文リスト
- Multi-Agent Orchestration of 3GPP Channel Estimators [0.0]
パイロット支援チャネル推定は、5Gニューラジオ(5G-NR)と長期進化(LTE)のための周波数分割多重化(OFDM)受信機における決定的ブロックである
論文 参考訳(メタデータ) (2026-09-24T05:23:54Z) - NeoHorse-1: Towards Recursive Self-Improvement via Agentic Post-Training with Routing Harness [76.6324710887112]
NeoHorse-1は、エージェントのポストトレーニングを通じてこの経路を探索するために開発されたエージェントネイティブモデルのファミリーである。
本システムでは,異種モデルプールとインテリジェントなルーティング,予測能力要求,選択されたサービス層,およびその後のユーザ毎のインタラクションを結合する。
論文 参考訳(メタデータ) (2026-09-08T03:14:54Z) - Cross-Layer Intrusion Detection in 5G O-RAN: Gains and Limits of Fusing Radio Telemetry with Network Flow Records [2.992414059774663]
オープンRANデアグリゲーションは、DUラジオテレメトリとCU側ネットワークフローレコードのジョイント分析を可能にする。
これら2つのモダリティの融合が7つのアーキテクチャで個別に改善されるかどうかを評価する。
論文 参考訳(メタデータ) (2026-06-21T11:48:23Z) - EEVEE: Towards Test-time Prompt Learning in the Real World for Self-Improving Agents [64.96332056338923]
EEVEEは、LLMエージェントのための最初のマルチデータセットテスト時プロンプト学習フレームワークである。
実世界のタスクストリーム下でテスト時のプロンプト学習を可能にする。
EEVEEはQwen3-4B-InstructとDeepSeek-V3.2で平均マルチベンチマークスコアを10.38点、24.32点改善している。
論文 参考訳(メタデータ) (2026-06-09T17:57:16Z) - Closed-Form Spectral Regularization for Multi-Task Model Merging [96.82449201305234]
モデルマージは、個別に調整された複数の専門家をトレーニングデータなしで単一のマルチタスクモデルに結合する。
State-of-the-art merging method formulate merging as a layer-wise interference problem。
本稿では,逐次降下の勾配-流路に一致するソフト指数フィルタを組み合わせた閉形式手法SWUDIを提案する。
論文 参考訳(メタデータ) (2026-06-05T14:00:47Z) - Unsupervised LiDAR-Based Multi-UAV Detection and Tracking Under Extreme Sparsity [2.3646560222366695]
非繰り返し固体LiDARスキャンは、空中UAVを検出するための極めてスパースな測定条件をもたらす。
ラベル付きトレーニングデータを必要とせずに、検出とトラッキングの両方に対処する、教師なしのLiDARのみのパイプラインを導入します。
論文 参考訳(メタデータ) (2026-03-12T06:19:51Z) - Exploring Spiking Neural Networks for Binary Classification in Multivariate Time Series at the Edge [0.9282545044546486]
多変量時系列のバイナリ分類を行うために、スパイキングニューラルネットワーク(SNN)を訓練するための一般的なフレームワークを提案する。
ガンマ線スペクトルデータにおける低信号-雑音比放射源の検出に応用する。
その結果、49個の神経細胞と66個のシナプスを持つSNNは、51.8%の真の正の速度(TPR)を1/hrの誤報率で達成した。
マイクロカスピアンニューロモルフィックプラットフォーム上のハードウェア展開は、2mWの消費電力と20.2msのレイテンシを示す。
論文 参考訳(メタデータ) (2025-10-23T20:52:11Z) - Fragile Mastery: Are Domain-Specific Trade-Offs Undermining On-Device Language Models? [0.0]
Generalized Edge Model (GEM) は、堅牢性と一般化を調和的にバランスさせることを目的としている。
GEMはSparse Cross-Attention Router (SCAR) を使用して、可変数のコンピューティングリソースに動的に割り当てる。
GPT-4 Liteと比較して、GEMはドメイン固有のパフォーマンスの尊重と同等性に対して、一般タスクレベルを7%向上させる。
論文 参考訳(メタデータ) (2025-03-16T18:30:26Z) - FusionLLM: A Decentralized LLM Training System on Geo-distributed GPUs with Adaptive Compression [55.992528247880685]
分散トレーニングは、システム設計と効率に関する重要な課題に直面します。
大規模深層ニューラルネットワーク(DNN)のトレーニング用に設計・実装された分散トレーニングシステムFusionLLMを提案する。
本システムと手法は,収束性を確保しつつ,ベースライン法と比較して1.45~9.39倍の高速化を実現可能であることを示す。
論文 参考訳(メタデータ) (2024-10-16T16:13:19Z) - Accelerating Training and Inference of Graph Neural Networks with Fast
Sampling and Pipelining [58.10436813430554]
グラフニューラルネットワーク(GNN)のミニバッチトレーニングには、多くの計算とデータ移動が必要である。
我々は,分散マルチGPU環境において,近傍サンプリングを用いたミニバッチトレーニングを行うことを支持する。
本稿では,これらのボトルネックを緩和する一連の改良点について述べる。
また,サンプリングによる推論を支援する実験分析を行い,試験精度が実質的に損なわれていないことを示す。
論文 参考訳(メタデータ) (2021-10-16T02:41:35Z) - Towards a Competitive End-to-End Speech Recognition for CHiME-6 Dinner
Party Transcription [73.66530509749305]
本稿では,難しい場合であっても,ハイブリッドベースラインに近い性能を示すエンドツーエンドアプローチについて論じる。
CTC-Attention と RNN-Transducer のアプローチと RNN と Transformer のアーキテクチャを比較し,解析する。
RNN-Transducerをベースとしたベストエンド・ツー・エンドモデルでは、ビームサーチの改善とともに、LF-MMI TDNN-F CHiME-6 Challengeのベースラインよりも品質が3.8%向上した。
論文 参考訳(メタデータ) (2020-04-22T19:08:33Z)
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。