論文の概要: Measurement-Calibrated Synthetic Pretraining for Rapid Adaptation of UAV Channel Predictors
- arxiv url: http://arxiv.org/abs/2611.16646v1
- Date: Thu, 12 Nov 2026 11:19:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.455372
- Title: Measurement-Calibrated Synthetic Pretraining for Rapid Adaptation of UAV Channel Predictors
- Title(参考訳): UAVチャネル予測器の迅速適応のための測定校正型合成前処理
- Abstract要約: 無人航空機(UAV)のリンクは、ルート固有のチャンネルデータを収集するよりも速く変更することができる。
本稿では,チャネル状態情報予測器の迅速な適応に先立って,測定校正型合成事前学習をオフラインソースとして検討する。
- 参考スコア(独自算出の注目度): 32.25466450552734
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Unmanned aerial vehicle (UAV) links can change faster than route-specific channel data can be collected, so a channel predictor must often be adapted from only a short target-flight calibration segment. This paper studies measurement-calibrated synthetic pretraining as an offline source prior for rapid adaptation of channel state information (CSI) predictors. The synthetic source is calibrated to flight-only power evolution, temporal shape variation, frequency selectivity, and phase disturbance, and is then combined with measured source-flight fine-tuning before target-flight adaptation. Under chronological held-out flight splits, synthetic-to-real (S2R) fine-tuning reduces the measured-data budget needed to reach useful prediction in the low-data regime. For 50 ms-ahead prediction, it crosses a latest-channel-estimate persistence baseline with 50 measured training windows, roughly 0.5 s of 10 ms-spaced supervised windows, whereas training from scratch requires 600 windows. A target-prefix adaptation study further shows that a lightweight gated recurrent unit predictor can reuse the pretrained source prior with one prediction-layer update epoch, positioning measurement-calibrated synthetic pretraining as a reusable prior for scarce target-flight measurements.
- Abstract(参考訳): 無人航空機(UAV)のリンクはルート固有の通信路データを収集するよりも早く変更できるため、チャネル予測器は短い目標・飛行のキャリブレーションセグメントのみから適応しなければならない。
本稿では、チャネル状態情報(CSI)予測器の高速適応に先立って、測定校正された合成事前学習をオフラインソースとして研究する。
合成ソースは、飛行のみのパワー進化、時間的形状の変化、周波数選択性、位相障害に校正され、その後、目標飛行適応前に測定されたソース・フライト微調整と組み合わせられる。
時系列保持飛行分割では、S2R(Synthetic-to-real)微調整により、低データ体制において有用な予測に達するために必要なデータ予算が削減される。
50 ms-ahead予測では、50のトレーニングウィンドウ、約0.5 sの10 ms の教師付きウィンドウで最新のチャネル推定ベースラインを横切り、スクラッチからのトレーニングは600ウィンドウを必要とする。
目標修正適応実験により、軽量ゲート再帰単位予測器は、1つの予測層更新エポックで事前訓練されたソースを再利用できることを示す。
関連論文リスト
- Multi-Step Underwater Acoustic Channel Prediction via Dual-Domain Structure Preservation and Pretrained Transformer [14.814496470358216]
LLM4UACPは、事前訓練されたトランスフォーマーを、数ショットのマルチステップチャネル予測に適応させるフレームワークである。
凍結したバックボーンを持つ事前訓練されたトランスフォーマーは、バタフライオルソゴン微調整により、複数の将来のCIRを共同で予測する。
LLM4UACPは、それぞれ88.53%と85.15%の減少に対応する0.0411と0.0399の正規化平均二乗誤差(NMSE)を達成することを示した。
論文 参考訳(メタデータ) (2026-11-10T08:38:49Z) - Statistical Benefits of Fine-Tuning from Pretrained Initialization in Diagonal Linear Networks [76.86688424891021]
グラデーションベースの微調整によって、微調整済みの重みが暗黙的に悪用されることを示す。
以上の結果から,事前学習した重み付き情報を勾配に基づく微調整によって暗黙的に活用する方法が示唆された。
論文 参考訳(メタデータ) (2026-09-28T09:42:39Z) - MultiPathFormer: Towards a Foundation Model for Multipath Wireless Propagation [16.207756414532735]
経路トークンの順序列として各送信者/受信者リンクを表す自動回帰基盤モデルであるMultiPathFormerを提案する。
平均局所化誤差5.57m,トップ3ビーム精度0.914,視線分類精度0.994,NMSE0.561。
論文 参考訳(メタデータ) (2026-08-05T17:20:16Z) - Predicting Deep Neural Network Training Outcomes from Early Training Telemetry [2.310157248304176]
我々は,1つのトレーニングランの早期テレメトリが,他のランに言及することなく,そのランの最終的な結果を予測することができるかどうかを調査する。
23,788のトレーニングは、6つのアーキテクチャ/データセットの組み合わせにまたがって実行され、最初の5つのテレメトリのエポックだけが最終精度の回帰のためにR2 = 0.92-0.99を達成する。
これらの結果から,早期学習テレメトリは計算割当のための実用的な意思決定支援信号を提供する可能性が示唆された。
論文 参考訳(メタデータ) (2026-08-04T14:13:21Z) - AeroCast: Probabilistic 3D Trajectory Prediction for Non-Cooperative Aerial Obstacles via Transformer-MDN Architecture [1.0312968200748118]
AeroCastは、TransformerエンコーダとMixture Density Network出力ヘッドを組み合わせた確率的軌道予測フレームワークである。
9つの運動カテゴリにまたがるハイブリッドリアル・合成四極子コーパスでは、AeroCastは平均変位誤差と最終変位誤差を約50%削減する。
AeroCast推論は1サンプルあたり0.1msで完了し、100Hzのリアルタイムオンボードデプロイメントと互換性がある。
論文 参考訳(メタデータ) (2026-06-23T19:52:07Z) - Debiased Fine-Tuning for Vision-language Models by Prompt Regularization [56.48290708901531]
本稿では,Prompt Regularization(ProReg)と呼ばれる下流タスクにおける大規模視覚事前訓練モデルの微調整のための新しいパラダイムを提案する。
ProRegは、事前訓練されたモデルに微調整を正規化するよう促すことで予測を使用する。
本稿では,従来の微調整,ゼロショットプロンプト,プロンプトチューニング,その他の最先端手法と比較して,ProRegの性能が一貫して高いことを示す。
論文 参考訳(メタデータ) (2023-01-29T11:53:55Z) - Predicting Multi-Antenna Frequency-Selective Channels via Meta-Learned
Linear Filters based on Long-Short Term Channel Decomposition [39.38412820403623]
我々は、転送/ミータ学習2次正規化に基づく単一アンテナ周波数平坦チャネルの予測器を開発する。
LSTDに基づく予測モデルのためのトランスファーアルゴリズムとメタラーニングアルゴリズムを導入する。
論文 参考訳(メタデータ) (2022-03-23T20:38:48Z) - A Graph Convolutional Network with Signal Phasing Information for
Arterial Traffic Prediction [63.470149585093665]
動脈交通予測は 現代のインテリジェント交通システムの発展に 重要な役割を担っています
動脈交通予測に関する既存の研究の多くは、ループセンサからの流量と占有率の時間的測定のみを考慮し、上流と下流の検出器間のリッチな空間的関係を無視している。
我々は,信号タイミング計画から発生する空間情報を用いて,深層学習アプローチである拡散畳み込みリカレントニューラルネットワークを強化することで,このギャップを埋める。
論文 参考訳(メタデータ) (2020-12-25T01:40:29Z)
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。