本稿では、2026年のIEEE International Conference on Big Data（IEEE BigData 2026）に通常論文として採択された研究「Collaborative In-Context Learning for Indoor Radio Map Estimation（屋内電波マップ推定のための協調的インコンテキスト学習）」を紹介する。著者はYuanzhe Peng氏ら2名で、2026年10月21日にarXivへ投稿され、番号はarXiv:2610.31702v1、機械学習（cs.LG）に分類されつつ人工知能（cs.AI）にもまたがる内容で、DOIは10.48550/arXiv.2610.31702である。
まず背景として、屋内の電波マップ推定（RME）は、カバレッジ計画、測位、ネットワーク展開といった無線アプリケーションにとって不可欠な技術である。電波マップとは、ある領域内の信号強度などの伝搬特性の空間分布を表すもので、基地局やアクセスポイントの配置判断や端末測位の精度に直結する。しかし既存手法の多くは教師あり学習の枠組みに従っており、高コストなラベル付きデータを必要とするうえ、タスクごとに個別のモデル訓練を要するため、移行コストが高く展開にも時間がかかる。
さらに厄介なのがプライバシーの問題である。屋内環境には建物のレイアウトや構造といった機微な情報が含まれ、そうしたデータは複数の主体に分散していることが多く、プライバシーやコンプライアンス上の理由から一か所に集約して学習することが難しい。集中型の学習手法は現実的な障壁に直面しており、データをローカルから出さずに多様な情報を協調利用する方法が課題となっていた。
こうした課題に対し、著者らは屋内RMEを協調的インコンテキスト学習（ICL）問題として定式化する初の試みを行っている。インコンテキスト学習は、プロンプト内に例を示すことでモデルのパラメータを更新せずに新しいタスクを解かせる手法であり、ラベル依存や集中訓練の回避につながる。これを踏まえ提案されたのがPoly-Rippleフレームワークである。複数のクライアントが大規模自己回帰視覚モデル（LAVM）を用いてICLを実行し、その際にモデル更新を一切行わない。各クライアントは自身のプライベートな実演例をプロンプトとして与えられ、同一のシーンクエリに対する電波マップをそれぞれ予測する。
モデリングの詳細では「リップル順」の自己回帰モデリングを採用している。これは送信機（Tx）から外側へ波紋のように広がる無線伝搬の因果構造に着想を得たもので、近距離域が先に影響を受け、遠距離域が後に影響を受ける。この内側から外側への順序で自己回帰生成を構成することで、伝搬の規則性をより自然に捉えられる。
また、コンテキスト長には上限があるため、全クライアントの情報を単純に連結するのは現実的でない。そこで重要度を考慮した集約機構を導入し、限られたコンテキスト予算の下で各クライアントに分散する異種のコンテキスト知識を活用・統合する。これにより協調が冗長ではなく実際の利得をもたらすことを狙っている。
論文では理論解析に加え、公開の屋内電波マップ推定ベンチマークで大規模な実験を実施している。その結果、Poly-Rippleは代表的なICLベースラインを一貫して上回り、実験結果は理論解析とも整合することが示された。本成果は、プライバシー制約が厳しくラベル取得コストの高い屋内環境において、電波マップを協調推定する新たなパラダイムの指針を与えるものである。