論文の概要: Efficient Training of Deep Classifiers for Wireless Source Identification using Test SNR Estimates

• arxiv url: http://arxiv.org/abs/1912.11896v2
• Date: Sun, 19 Apr 2020 01:56:08 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-10 08:10:56.829311
• Title: Efficient Training of Deep Classifiers for Wireless Source Identification using Test SNR Estimates
• Title（参考訳）: テストSNR推定を用いた無線音源同定のための深部分類器の効率的な訓練
• Authors: Xingchen Wang, Shengtai Ju, Xiwen Zhang, Sharan Ramjee, Aly El Gamal
• Abstract要約: 本研究では,SNR(Test Signal to Noise Ratio)推定値が利用可能であれば,無線信号を処理する効率的なディープラーニング学習アルゴリズムについて検討する。 ベンチマークでは、よく知られた2つのデータセットに対するディープラーニングアルゴリズムのテストに、最近の文献に依存しています。 正のオフセットが小さい誤ったテストSNR推定は、負のオフセットを持つ同じ誤差のマグニチュードを持つものよりも訓練に適している。
• 参考スコア（独自算出の注目度）: 4.44483539967295
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We study efficient deep learning training algorithms that process received wireless signals, if a test Signal to Noise Ratio (SNR) estimate is available. We focus on two tasks that facilitate source identification: 1- Identifying the modulation type, 2- Identifying the wireless technology and channel in the 2.4 GHz ISM band. For benchmarking, we rely on recent literature on testing deep learning algorithms against two well-known datasets. We first demonstrate that using training data corresponding only to the test SNR value leads to dramatic reductions in training time while incurring a small loss in average test accuracy, as it improves the accuracy for low SNR values. Further, we show that an erroneous test SNR estimate with a small positive offset is better for training than another having the same error magnitude with a negative offset. Secondly, we introduce a greedy training SNR Boosting algorithm that leads to uniform improvement in accuracy across all tested SNR values, while using a small subset of training SNR values at each test SNR. Finally, we demonstrate the potential of bootstrap aggregating (Bagging) based on training SNR values to improve generalization at low test SNR values with scarcity of training data.
• Abstract（参考訳）: 本研究では,snr(test signal to noise ratio)推定が可能であれば,受信無線信号を処理する効率的な深層学習アルゴリズムについて検討する。 ソース識別を容易にする2つのタスクに焦点をあてる: 1-変調型を同定し、2-無線技術と2.4GHz ISM帯域のチャネルを同定する。 ベンチマークでは、よく知られた2つのデータセットに対するディープラーニングアルゴリズムのテストに、最近の文献に依存しています。 まず,テストSNR値のみに対応するトレーニングデータを使用することで,低SNR値の精度が向上し,平均テスト精度が低下する一方で,トレーニング時間が劇的に低下することを示した。 さらに, 正のオフセットが小さい誤テストSNR推定値の方が, 負のオフセットと同一の誤差等級を持つものよりも訓練に適していることを示す。 次に、各試験SNRにおけるSNR値の小さなサブセットを使用しながら、全試験SNR値の精度を均一に向上させる、グレディトレーニングSNRブースティングアルゴリズムを提案する。 最後に、SNR値のトレーニングに基づくブートストラップ集約(Bagging)の可能性を示し、トレーニングデータの不足を伴う低テストSNR値の一般化を改善する。

関連論文リスト

• Noisy Test-Time Adaptation in Vision-Language Models [73.14136220844156]
  テスト時間適応(TTA)は、テスト中のターゲットデータのみに依存することにより、ソースデータとターゲットデータの分散シフトに対処することを目的としている。 本稿では、ゼロショット方式で、テスト時にノイズのあるサンプルをターゲットとするデータにモデルを適応させることに焦点を当てたゼロショットノイズTTA(ZS-NTTA)を提案する。 本稿では, 冷凍機の出力を擬似ラベルとして利用し, ノイズ検出器の訓練を行う適応ノイズ検出器(AdaND)を提案する。
  論文  参考訳（メタデータ） (2025-02-20T14:37:53Z)
• Neural Network-based Vehicular Channel Estimation Performance: Effect of Noise in the Training Set [0.5530212768657544]
  車両通信システムは、高モビリティと急速に変化する環境のために重大な課題に直面している。 これらの課題に対処するために、ニューラルネットワーク(NN)に基づくチャネル推定法が提案されている。 本研究では,混合SNRデータセットに対するNNチャネル推定器の訓練効果について検討した。
  論文  参考訳（メタデータ） (2025-02-05T09:29:01Z)
• Neural Priming for Sample-Efficient Adaptation [92.14357804106787]
  ニューラルプライミング(Neural Priming)は、大規模な事前学習されたモデルを分散シフトや下流タスクに適応させる手法である。 ニューラルプライミングは、LAION-2Bほどの大きさの事前訓練であっても、テスト時に行うことができる。
  論文  参考訳（メタデータ） (2023-06-16T21:53:16Z)
• A Comparative Study of Deep Learning and Iterative Algorithms for Joint Channel Estimation and Signal Detection in OFDM Systems [11.190815358585137]
  周波数分割多重化システムでは,共同チャネル推定と信号検出が重要である。 従来のアルゴリズムは低信号対雑音比(SNR)のシナリオでは不十分である。 深層学習 (DL) 手法は検討されているが, 計算コストや低SNR設定による検証の欠如が懸念されている。
  論文  参考訳（メタデータ） (2023-03-07T06:34:04Z)
• Neural Implicit Dictionary via Mixture-of-Expert Training [111.08941206369508]
  ニューラルインシシット辞書(NID)を学習することで、データとトレーニング効率の両方を達成する汎用INRフレームワークを提案する。 我々のNIDは、所望の関数空間にまたがるように調整された座標ベースのImpworksのグループを組み立てる。 実験の結果,NIDは最大98%の入力データで2次元画像や3次元シーンの再現を2桁高速化できることがわかった。
  論文  参考訳（メタデータ） (2022-07-08T05:07:19Z)
• Training Strategies for Deep Learning Gravitational-Wave Searches [43.55994393060723]
  我々は、非スピン性二元ブラックホールからの信号に分析を限定する。 トレーニングデータをネットワークに提示するさまざまな戦略を体系的にテストする。 深層学習アルゴリズムは低信号-雑音比(SNR)信号を高SNR信号に一般化できるが、その逆はできない。
  論文  参考訳（メタデータ） (2021-06-07T16:04:29Z)
• Learning Neural Network Subspaces [74.44457651546728]
  近年の観測は,ニューラルネットワーク最適化の展望の理解を深めている。 1つのモデルのトレーニングと同じ計算コストで、高精度ニューラルネットワークの線、曲線、単純軸を学習します。 1つのモデルのトレーニングと同じ計算コストで、高精度ニューラルネットワークの線、曲線、単純軸を学習します。
  論文  参考訳（メタデータ） (2021-02-20T23:26:58Z)
• Identifying Training Stop Point with Noisy Labeled Data [0.0]
  テスト精度(MOTA)に近いトレーニング停止点(TSP)を見つけるためのアルゴリズムを開発しています。 我々は,CIFAR-10,CIFAR-100,実世界の雑音データを用いて,アルゴリズム(AutoTSP)のロバスト性を検証した。
  論文  参考訳（メタデータ） (2020-12-24T20:07:30Z)
• Deep Networks for Direction-of-Arrival Estimation in Low SNR [89.45026632977456]
  我々は,真の配列多様体行列の変異チャネルデータから学習した畳み込みニューラルネットワーク(CNN)を導入する。 我々は低SNR体制でCNNを訓練し、すべてのSNRでDoAを予測する。 私たちの堅牢なソリューションは、ワイヤレスアレイセンサーから音響マイクロフォンやソナーまで、いくつかの分野に適用できます。
  論文  参考訳（メタデータ） (2020-11-17T12:52:18Z)
• RNN Training along Locally Optimal Trajectories via Frank-Wolfe Algorithm [50.76576946099215]
  小領域の損失面に局所的なミニマを反復的に求めることにより,RNNの新規かつ効率的なトレーニング手法を提案する。 新たなRNNトレーニング手法を開発し,追加コストを伴っても,全体のトレーニングコストがバックプロパゲーションよりも低いことを実証的に観察した。
  論文  参考訳（メタデータ） (2020-10-12T01:59:18Z)

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。