建物マップからのカバレッジ／消費電力最適な送信機配置を学習する：直接・間接ニューラル手法の比較研究

要旨: 最適な無線送信機の配置は無線ネットワーク計画における中核的課題であるが、大規模化すると全探索は費用が過度に高くなってしまう。本論文では、固定された学習済み伝搬サロゲートのもとでの単一送信機設定を研究する。ここでは、ピクセルごとの評価を網羅的に行ってもなお計算可能であり、サロゲートと厳密な真値の両方を提供できる。我々は、都市シナリオ167,525件からなるデータセット（RadioMapSeer-Deployment）を導入する。このデータセットは、カバレッジ最適かつ出力（パワー）最適の送信機位置に対して、サロゲートと厳密な真値の二重ラベルを備えている。真値の分析により、カバレッジと電力のトレードオフが非対称であることが明らかになった。すなわち、カバレッジ最適な配置は受信電力の13.86%を犠牲にする一方、電力最適な配置はカバレッジの5.50%しか犠牲にしない。最も良いバランス配置は、理想点（100%,100%）からar{d}=2.60のところにある。評価では、2つの学習定式化を検討する。受信電力のラジオマップを予測する間接的なヒートマップベースモデルと、実現可能な送信機位置における目的関数の地形（ランドスケープ）を予測する直接的なスコアマップモデルである。ヒートマップ系では、識別的モデルが、全探索よりも1350〜2400倍高速なワンショット予測を実現する。さらに拡散モデルでは、単一目的の性能を改善するためのマルチサンプル推論も可能であり、バランス基準のもとで同一のサンプルプールを再利用することで、明示的なマルチ目的学習なしに強いバランス配置を回復できる。電力とカバレッジのスコアマップを組み合わせたデュアル・スコアマップ戦略は、全探索のバランス最適解（ar{d}=2.60）と一致し、より小さな候補予算においても近い性能を維持し、候補の再評価後には14〜22倍の高速化を示す。両定式化はいずれも非常に高速なワンショット推論を可能とする。このベンチマークでは、バランス配置においてデュアル・スコアマップ手法が最も強く、一方でヒートマップ定式化は、物理的に意味のある中間マップを提供できる点、また拡散設定では推論時の探索を可能にできる点で依然として魅力的である。