スペクトル・カルトグラフィーのための正則化アテンションカーネル回帰を高速化する学習ベース手法

要旨: スペクトル・カートグラフィは、疎で異種混在の無線計測から空間的な無線電界を再構成し、多くの無線ネットワークにおけるセンシングおよび最適化タスクを支えています。近年、注意機構は、注意カーネルに基づく定式化によって適応的な計測集約を可能にしました。しかし、その結果得られる指数（exponential）カーネルは深刻なスペクトル不均衡を示し、そのため大きな条件数が生じます。これにより、正則化された注意カーネル回帰に対して標準的な反復ソルバが有効に機能しなくなります。本論文では、スペクトル・カートグラフィにおける正則化注意カーネル回帰を高速化するための、学習ベースの注意カーネル回帰（Learning-based Attention Kernel Regression: LAKER）アルゴリズムを提案します。主要な着想は、注意カーネル系の逆スペクトル構造を捉えるデータ依存の前処理器（preconditioner）を学習し、条件数のボトルネックを直接的に低減することです。前処理器は、収縮正則化（shrinkage-regularized）された凸—凹（convex--concave）手続きにより、正則化された最大尤度推定問題を解くことで得られます。さらに、効率的な最適化のために前処理付き共役勾配ソルバ（preconditioned conjugate gradient solver）へ統合し、その解を用いて無線マップ再構成を行います。大規模な実験により、LAKERは条件数を最大で3桁まで大幅に低減し、ベースラインに比べて収束を20倍以上高速化し、高い再構成精度を維持することが示されました。これにより、学習ベースの前処理が、スペクトル・カートグラフィにおける注意カーネル回帰に対して有効なアプローチであることが確立されました。