| 電子情報通信学会 研究会発表申込システム 講演論文 詳細 |
技報閲覧サービス [ログイン] 技報アーカイブ |
| トップに戻る | 前のページに戻る | [Japanese] / [English] |
| 講演抄録／キーワード | ||
| 講演名 | 2025-09-17 13:00 ［チュートリアル講演］損失関数から考える電波伝搬推定のための機械学習モデル ○廣瀬 幸（九工大）  AP2025-76 |
|
| 抄録 | （和） | 電波伝搬解析の代表的手法としてレイトレーシング法や有限差分時間領域法（FDTD）が広く利用されている．これらは周辺環境の三次元モデルを入力として詳細な伝搬損失を推定できるが，環境が精緻かつ複雑になるほど計算コストが急増する．一方，計算コストパフォーマンスの高い機械学習を用いた伝搬推定手法が盛んに研究されており，計算負荷を低減しつつ柔軟性の高い推定を可能とするアプローチとして注目されている．機械学習システムの性能は，モデルアーキテクチャや入力データの質に加え，損失関数の設計によって大きく左右される．損失関数は学習目標を数学的に定義する要素であり，その選択は学習の収束特性や最終的な推定精度を決定づける要因となる．同一のモデル構造やデータセットを用いた場合でも損失関数が異なれば得られる結果は大きく変動するため，タスク特性に応じた最適な損失設計が不可欠である．本研究では，複数都市環境における伝搬推定タスクを対象に識別モデルと生成モデルそれぞれに対して多様な損失関数を比較評価した結果を報告する． |
| （英） | Ray tracing and the Finite-Difference Time-Domain (FDTD) method are widely used as standard approaches for radio propagation analysis. These methods can estimate path loss in detail by incorporating three-dimensional models of the surrounding environment; however, their computational cost increases drastically as the environment becomes more precise and complex. In recent years, machine learning (ML) has been actively studied as a cost-efficient alternative for propagation prediction, attracting attention as a flexible approach that reduces computational load while maintaining high adaptability. The performance of an ML system is strongly influenced not only by the model architecture and the quality of input data, but also by the design of its loss function. The loss function mathematically defines the learning objective, and its selection determines both convergence behavior and final prediction accuracy. Even when using the same dataset and model architecture, different loss functions can lead to markedly different results, making task-specific loss design indispensable. In this study, we report on a comparative evaluation of various loss functions applied to both discriminative and generative models for propagation prediction tasks in multiple urban environments. | |
| キーワード | （和） | 電波伝搬推定 / 機械学習 / 識別モデル / 生成モデル / 損失関数 / / / |
| （英） | Radio propagation prediction / machine learning / discriminative model / generative model / loss function / / / | |
| 文献情報 | 信学技報, vol. 125, no. 180, AP2025-76, pp. 19-24, 2025年9月. | |
| 資料番号 | AP2025-76 | |
| 発行日 | 2025-09-10 (AP) | |
| ISSN | Online edition: ISSN 2432-6380 | |
| 著作権に ついて |
技術研究報告に掲載された論文の著作権は電子情報通信学会に帰属します．(許諾番号：10GA0019/12GB0052/13GB0056/17GB0034/18GB0034) | |
| PDFダウンロード | AP2025-76 |
|
| 研究会情報 | |
| 研究会 | MW AP |
| 開催期間 | 2025-09-16 - 2025-09-19 |
| 開催地（和） | 東京農工大学 小金井キャンパス |
| 開催地（英） | Koganei Campus, Tokyo University of Agriculture and Technology |
| テーマ（和） | 学生特集, ミリ波/マイクロ波, 電波伝搬, ⼀般 |
| テーマ（英） | Student Session, Microwave, Millimeter wave, Radio propagation, Antennas and Propagation |
| 講演論文情報の詳細 | |
| 申込み研究会 | AP |
| 会議コード | 2025-09-MW-AP |
| 本文の言語 | 日本語 |
| タイトル（和） | 損失関数から考える電波伝搬推定のための機械学習モデル |
| サブタイトル（和） | |
| タイトル（英） | Loss Function-Oriented Machine Learning Models for Propagation Prediction |
| サブタイトル（英） | |
| キーワード(1)（和/英） | 電波伝搬推定 / Radio propagation prediction |
| キーワード(2)（和/英） | 機械学習 / machine learning |
| キーワード(3)（和/英） | 識別モデル / discriminative model |
| キーワード(4)（和/英） | 生成モデル / generative model |
| キーワード(5)（和/英） | 損失関数 / loss function |
| キーワード(6)（和/英） | / |
| キーワード(7)（和/英） | / |
| キーワード(8)（和/英） | / |
| 第1著者 氏名（和/英/ヨミ） | 廣瀬 幸 / Miyuki Hirose / ヒロセ ミユキ |
| 第1著者 所属（和/英） | 九州工業大学 (略称： 九工大) Kyushu Institute of Technology (略称： Kyutech) |
| 講演者 | 第1著者 |
| 発表日時 | 2025-09-17 13:00:00 |
| 発表時間 | 50分 |
| 申込先研究会 | AP |
| 資料番号 | AP2025-76 |
| 巻番号（vol） | vol.125 |
| 号番号（no） | no.180 |
| ページ範囲 | pp.19-24 |
| ページ数 | 6 |
| 発行日 | 2025-09-10 (AP) |
[研究会発表申込システムのトップページに戻る] (日本語ページの行間係数: 1)