論文の概要: Reliable Near-Field Source Enumeration and Positioning Informed by Two-Stage MUSIC
- arxiv url: http://arxiv.org/abs/2611.15722v1
- Date: Wed, 11 Nov 2026 17:00:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.201126
- Title: Reliable Near-Field Source Enumeration and Positioning Informed by Two-Stage MUSIC
- Title(参考訳): 2段階MUSICによる信頼性近距離音源列挙と位置決め
- Abstract要約: 近距離コヒーレントなマルチパス環境におけるソース列挙と位置決めの信頼性について検討する。
MUSIC (Multiple SIgnal Classification) を用いたモデルベース深層学習フレームワークを提案する。
提案手法は,情報源過小評価のリスクを効果的に制御できることを示す。
- 参考スコア(独自算出の注目度): 52.33021019321273
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate and reliable near-field multi-source localization is essential for location-aware processing in future wireless systems. However, coherent multipath propagation complicates the direct recovery of line-of-sight (LoS) source positions, while existing estimation methods generally lack explicit control of the risk of source underestimation and positioning uncertainty. In this paper, we investigate reliable source enumeration and positioning in near-field coherent multipath environments. Specifically, we develop a conformal risk control (CRC) based source enumeration scheme that calibrates the penalty coefficient of an eigenvalue-based criterion to control the expected miss-detection ratio at a prescribed level. We further propose MUSIC-Net, a model-based deep learning framework informed by two-stage MUltiple SIgnal Classification (MUSIC), which learns the LoS-related subspace and surrogate distances through subspace-distance-based training, thereby enabling direct source positioning without estimating non-line-of-sight (NLoS) path parameters or performing subsequent path association. To quantify the uncertainty of the estimated positions, we develop a split conformal prediction (SCP) based calibration method that constructs angle-range predicted regions with finite-sample simultaneous coverage guarantees. Numerical results show that the proposed framework effectively controls the risk of source underestimation, while providing improved positioning accuracy with tighter predicted regions than benchmarks given the same target coverage levels.
- Abstract(参考訳): 無線システムにおける位置認識処理には,高精度で信頼性の高いマルチソースローカライゼーションが不可欠である。
しかし、コヒーレントなマルチパス伝搬は、直視源位置(LoS)の直接回復を複雑にし、既存の推定手法では、ソース過小評価のリスクと位置決めの不確実性の明確な制御を欠いている。
本稿では,近距離コヒーレントなマルチパス環境におけるソース列挙と位置決めの信頼性について検討する。
具体的には、固有値に基づく基準のペナルティ係数を校正し、予測ミス検出比を所定のレベルで制御する共形リスク制御(CRC)ベースのソース列挙手法を開発する。
さらに,2段階のMUltiple SIgnal Classification (MUSIC) によって誘導されるモデルベースディープラーニングフレームワークであるMUSIC-Netを提案する。
推定位置の不確かさを定量化するため,有限サンプル同時カバレッジ保証付き角度範囲予測領域を構成する分割共形予測(SCP)に基づくキャリブレーション手法を開発した。
シミュレーションの結果,提案手法は,対象範囲が同じベンチマークよりも厳密な予測領域による位置決め精度の向上を図りながら,ソース過小評価のリスクを効果的に制御することを示した。
関連論文リスト
- Reliable Near-Field Multi-User Positioning Informed by Two-Stage MUSIC [52.33021019321273]
近距離場ローカライゼーションは、将来の無線システムにおける高解像度マルチユーザ位置決めのための有望な技術である。
パラメータ推定とパス/ソースアソシエーションを分離する必要のある既存のニアフィールドローカライズ手法では,オーバヘッドと累積誤差に悩まされている。
本稿では,2段階のMUltiple SIgnal Classification (MUSIC) を用いて,Lose-of-sight (LoS) とNon-LoS (NLoS) の混在シナリオにおいてエンド・ツー・エンドな位置決め型ディープラーニング(DL) フレームワークを提案する。
論文 参考訳(メタデータ) (2026-09-08T20:03:33Z) - Rethinking Detection Calibration: A Coordinate and Direction Perspective [14.41191132517119]
ディープラーニングに基づくオブジェクト検出器は、競合検出性能以上の信頼性を必要とする。
ディープニューラルネットワークは、不正確である可能性のある予測に高い信頼度スコアを割り当て、過度に信頼する傾向にある。
本稿では、座標レベルの信頼度を信頼性の高いものにする、検出キャリブレーション(ReDC)を再考する、新しいポストホック校正フレームワークを提案する。
論文 参考訳(メタデータ) (2026-07-31T05:42:02Z) - Conformal Changepoint Localization and Root Cause Analysis with Corrupted Observations [55.76952683833966]
本稿では,データ破損時の信頼性設定サイズを低減するために,重み付きCONCH(W-CONCH)と重み付きCROC(W-CROC)を提案する。
画像ベースおよび実世界の変化点と根本原因ベンチマークの実験は、不確実性ベースの重み付けが信頼性セットのサイズを大幅に減少させることを示している。
論文 参考訳(メタデータ) (2026-07-29T05:16:59Z) - Discovery of Hidden Miscalibration Regimes [52.452902154360565]
モデルは何らかの入力を体系的に過信し、他人を過信することがある。
対応する誤校正分野を定義し,それを推定するための診断フレームワークを提案する。
提案手法は,入力空間のキャリブレーションを意識した表現を学習し,学習幾何学におけるカーネルの平滑化による符号付き局所的誤校正を推定する。
論文 参考訳(メタデータ) (2026-05-13T13:07:50Z) - Scenario-aware Uncertainty Quantification for Trajectory Prediction with Statistical Guarantees [16.41262478059784]
本稿では,予測区間と信頼性評価を備えた予測トラジェクトリを提供するシナリオ認識不確実性定量化フレームワークを提案する。
実世界のnuPlanデータセットを用いてフレームワークの評価を行い、シナリオアウェアな不確実性定量化と信頼性評価の有効性を実証した。
論文 参考訳(メタデータ) (2025-12-05T12:54:39Z) - Conformal Prediction in The Loop: A Feedback-Based Uncertainty Model for Trajectory Optimization [3.761729592527251]
コンフォーマル予測(CP)は、カバレッジ保証を備えた不確実性セットを構築するための強力な統計機械学習ツールである。
本稿では,リスク制約を伴ってThorizonを縮小する新しいフィードバックベースCP(Fb-CP)フレームワークを提案する。
論文 参考訳(メタデータ) (2025-10-18T07:11:23Z) - Localized Adaptive Risk Control [35.88667386998423]
ローカライズド・アダプティブ・リスク・コントロール(Localized Adaptive Risk Control, L-ARC)は、統計的ローカライズされたリスク保証をターゲットとするオンラインキャリブレーション方式である。
L-ARCは、異なるデータサブポピュレーションにまたがるリスク保証を備えた予測セットを生成する実験によって実証される。
論文 参考訳(メタデータ) (2024-05-13T17:48:45Z) - 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。