論文の概要: Deep Transfer Learning Based Downlink Channel Prediction for FDD Massive
MIMO Systems
- arxiv url: http://arxiv.org/abs/1912.12265v4
- Date: Mon, 7 Sep 2020 11:43:30 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-09 23:17:26.177735
- Title: Deep Transfer Learning Based Downlink Channel Prediction for FDD Massive
MIMO Systems
- Title（参考訳）: 深層移動学習に基づくFDD大規模MIMOシステムのダウンリンクチャネル予測
- Authors: Yuwen Yang, Feifei Gao, Zhimeng Zhong, Bo Ai and Ahmed Alkhateeb
- Abstract要約: 本稿では,DTL(Deep Transfer Learning)問題として,ダウンリンクチャネル予測を定式化する。
具体的には、完全に接続されたニューラルネットワークアーキテクチャに基づくダイレクトトランスファーアルゴリズムを開発する。
転送効率をさらに向上するため,内部タスクとマルチタスクの更新を交互に行い,ネットワークを訓練するメタ学習アルゴリズムを提案する。
- 参考スコア（独自算出の注目度）: 43.63380272164857
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Artificial intelligence (AI) based downlink channel state information (CSI)
prediction for frequency division duplexing (FDD) massive multiple-input
multiple-output (MIMO) systems has attracted growing attention recently.
However, existing works focus on the downlink CSI prediction for the users
under a given environment and is hard to adapt to users in new environment
especially when labeled data is limited. To address this issue, we formulate
the downlink channel prediction as a deep transfer learning (DTL) problem,
where each learning task aims to predict the downlink CSI from the uplink CSI
for one single environment. Specifically, we develop the direct-transfer
algorithm based on the fully-connected neural network architecture, where the
network is trained on the data from all previous environments in the manner of
classical deep learning and is then fine-tuned for new environments. To further
improve the transfer efficiency, we propose the meta-learning algorithm that
trains the network by alternating inner-task and across-task updates and then
adapts to a new environment with a small number of labeled data. Simulation
results show that the direct-transfer algorithm achieves better performance
than the deep learning algorithm, which implies that the transfer learning
benefits the downlink channel prediction in new environments. Moreover, the
meta-learning algorithm significantly outperforms the direct-transfer algorithm
in terms of both prediction accuracy and stability, which validates its
effectiveness and superiority.
- Abstract（参考訳）: 人工知能(AI)による周波数分割二重化(FDD)大規模マルチインプット多重出力(MIMO)システムのダウンリンクチャネル状態情報(CSI)予測が近年注目されている。
しかしながら、既存の作業では、所定の環境下でのユーザに対するダウンリンクcsi予測に焦点を当てており、特にラベル付きデータに制限がある場合には、新しい環境でのユーザへの適応が困難である。
この問題に対処するため、ダウンリンクチャネル予測を深層移動学習(DTL)問題として定式化し、各学習課題は1つの環境においてアップリンクCSIからダウンリンクCSIを予測することを目的としている。
具体的には,完全接続型ニューラルネットワークアーキテクチャに基づくダイレクトトランスファーアルゴリズムを開発し,従来型ディープラーニングを用いて,従来のすべての環境からのデータに基づいてネットワークをトレーニングし,新たな環境向けに微調整を行う。
さらに転送効率を向上させるために,インナータスクとアクロスタスクの更新を交互に行い,少ないラベル付きデータで新しい環境に適応してネットワークを学習するメタラーニングアルゴリズムを提案する。
シミュレーションの結果,直接伝達アルゴリズムは,新しい環境におけるダウンリンクチャネル予測に有用であることを示す深層学習アルゴリズムよりも優れた性能が得られることがわかった。
さらに、メタラーニングアルゴリズムは、予測精度と安定性の両方の観点から直接伝達アルゴリズムを著しく上回り、その効果と優越性を検証する。
関連論文リスト
- Efficient Model Adaptation for Continual Learning at the Edge [15.334881190102895]
ほとんどの機械学習(ML)システムは、トレーニングとデプロイメントの間、定常的で一致したデータ分散を前提としている。
データ分布は、環境要因、センサー特性、タスク・オブ・関心などの変化により、時間とともに変化することが多い。
本稿では,ドメインシフト下での効率的な連続学習のためのアダプタ・リコンフィグレータ(EAR)フレームワークを提案する。
論文 参考訳（メタデータ） (2023-08-03T23:55:17Z) - Transfer Learning Based Efficient Traffic Prediction with Limited
Training Data [3.689539481706835]
インターネットトラフィックの効率的な予測は、積極的な管理を確保するための自己組織化ネットワーク(SON)の不可欠な部分である。
限られた訓練データを用いたネットワークトラフィック予測における深部シーケンスモデルは、現在研究されている研究で広く研究されていない。
不適切な歴史データを用いた交通予測における深層移動学習手法の性能について検討・評価を行った。
論文 参考訳（メタデータ） (2022-05-09T14:44:39Z) - Predictive coding, precision and natural gradients [2.1601966913620325]
学習精度の高い階層型予測符号化ネットワークは,教師あり学習課題や教師なし学習課題を解くことができることを示す。
イメージ入力の教師なし自動符号化に適用すると、決定論的ネットワークは階層的に整理され、非絡み合った埋め込みを生成する。
論文 参考訳（メタデータ） (2021-11-12T21:05:03Z) - Learning to Continuously Optimize Wireless Resource in a Dynamic
Environment: A Bilevel Optimization Perspective [52.497514255040514]
この研究は、データ駆動メソッドが動的環境でリソース割り当て戦略を継続的に学び、最適化することを可能にする新しいアプローチを開発しています。
学習モデルが新たなエピソードに段階的に適応できるように、連続学習の概念を無線システム設計に組み込むことを提案する。
我々の設計は、異なるデータサンプルにまたがる公平性を保証する、新しい二段階最適化定式化に基づいている。
論文 参考訳（メタデータ） (2021-05-03T07:23:39Z) - A Meta-Learning Approach to the Optimal Power Flow Problem Under
Topology Reconfigurations [69.73803123972297]
メタラーニング(MTL)アプローチを用いて訓練されたDNNベースのOPF予測器を提案する。
開発したOPF予測器はベンチマークIEEEバスシステムを用いてシミュレーションにより検証される。
論文 参考訳（メタデータ） (2020-12-21T17:39:51Z) - Learning to Continuously Optimize Wireless Resource In Episodically
Dynamic Environment [55.91291559442884]
この研究は、データ駆動型手法が動的環境で継続的に学習し、最適化できる方法論を開発する。
本稿では,無線システム学習のモデリングプロセスに連続学習の概念を構築することを提案する。
我々の設計は、異なるデータサンプル間で「一定の公正性を保証する」新しいmin-maxの定式化に基づいている。
論文 参考訳（メタデータ） (2020-11-16T08:24:34Z) - Regularizing Deep Networks with Semantic Data Augmentation [44.53483945155832]
従来の手法を補完する新しい意味データ拡張アルゴリズムを提案する。
提案手法はディープネットワークが線形化特徴の学習に有効であるという興味深い性質に着想を得たものである。
提案した暗黙的セマンティックデータ拡張(ISDA)アルゴリズムは,新たなロバストCE損失を最小限に抑える。
論文 参考訳（メタデータ） (2020-07-21T00:32:44Z) - Deep Transfer Learning with Ridge Regression [7.843067454030999]
大量のデータで訓練されたディープモデルは、関連するドメインから見えないデータに対して有望な一般化能力を示す。
我々は、深層ニューラルネットワーク(DNN)から生成された学習特徴ベクトルの低ランク性と、カーネルリッジ回帰(KRR)で提供されるクローズドフォームソリューションを活用することで、この問題に対処する。
本手法は、教師あり半教師ありのトランスファー学習タスクにおいて成功している。
論文 参考訳（メタデータ） (2020-06-11T20:21:35Z) - Communication-Efficient Distributed Stochastic AUC Maximization with
Deep Neural Networks [50.42141893913188]
本稿では,ニューラルネットワークを用いた大規模AUCのための分散変数について検討する。
我々のモデルは通信ラウンドをはるかに少なくし、理論上はまだ多くの通信ラウンドを必要としています。
いくつかのデータセットに対する実験は、我々の理論の有効性を示し、我々の理論を裏付けるものである。
論文 参考訳（メタデータ） (2020-05-05T18:08:23Z) - Deep Learning for Ultra-Reliable and Low-Latency Communications in 6G
Networks [84.2155885234293]
まず,データ駆動型教師付き深層学習と深部強化学習をURLLCに適用する方法を概説する。
このようなオープンな問題に対処するために、デバイスインテリジェンス、エッジインテリジェンス、およびURLLCのためのクラウドインテリジェンスを可能にするマルチレベルアーキテクチャを開発した。
論文 参考訳（メタデータ） (2020-02-22T14:38:11Z)
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。