論文の概要: Syndrome-Enabled Unsupervised Learning for Neural Network-Based Polar Decoder and Jointly Optimized Blind Equalizer

• arxiv url: http://arxiv.org/abs/2001.01426v2
• Date: Tue, 16 Jun 2020 05:51:48 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-14 02:53:11.874829
• Title: Syndrome-Enabled Unsupervised Learning for Neural Network-Based Polar Decoder and Jointly Optimized Blind Equalizer
• Title（参考訳）: ニューラルネットベース極性デコーダと協調最適化ブラインドイコライザのためのシンドローム対応教師なし学習
• Authors: Chieh-Fang Teng and Yen-Liang Chen
• Abstract要約: 受信機における教師なし学習を容易にするために,2つの修正されたシンドローム損失を提案する。 まず、ニューラルネットワークに基づく信念伝播(BP)極復号器に適用する。 BPデコーダは、CRC対応症候群の損失を補うことで、従来の教師あり学習方法よりもブロックエラー率の方が優れている。
• 参考スコア（独自算出の注目度）: 8.096888407235884
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recently, the syndrome loss has been proposed to achieve "unsupervised learning" for neural network-based BCH/LDPC decoders. However, the design approach cannot be applied to polar codes directly and has not been evaluated under varying channels. In this work, we propose two modified syndrome losses to facilitate unsupervised learning in the receiver. Then, we first apply it to a neural network-based belief propagation (BP) polar decoder. With the aid of CRC-enabled syndrome loss, the BP decoder can even outperform conventional supervised learning methods in terms of block error rate. Secondly, we propose a jointly optimized syndrome-enabled blind equalizer, which can avoid the transmission of training sequences and achieve global optimum with 1.3 dB gain over non-blind minimum mean square error (MMSE) equalizer.
• Abstract（参考訳）: 近年,ニューラルネットワークを用いたbch/ldpcデコーダの「教師なし学習」を実現するためにシンドローム損失が提案されている。 しかし、設計アプローチは直接極符号に適用することはできず、様々なチャネルで評価されていない。 そこで本研究では,受信機における教師なし学習を容易にするために,修正した2つの症候群損失を提案する。 次に,まず,ニューラルネットワークを用いた信念伝達(bp)極性デコーダに適用する。 bpデコーダは、crc対応のシンドローム損失の支援により、従来の教師付き学習方法よりも、ブロックエラー率の面で優れる。 第2に,訓練シーケンスの伝達を回避し,非ブリンド最小平均二乗誤差(mmse)イコライザよりも1.3dbゲインでグローバルに最適化できるシンドローム対応ブラインドイコライザを提案する。

関連論文リスト

• Graph Neural Networks for Enhanced Decoding of Quantum LDPC Codes [6.175503577352742]
  量子低密度パリティチェック(LDPC)符号に対する微分可能な反復デコーダを提案する。 提案アルゴリズムは,古典的信念伝達(BP)復号段階と中間グラフニューラルネットワーク(GNN)層から構成される。
  論文  参考訳（メタデータ） (2023-10-26T19:56:25Z)
• For One-Shot Decoding: Self-supervised Deep Learning-Based Polar Decoder [1.4964546566293881]
  極性符号のワンショット復号を可能にする自己教師付き深層学習に基づく復号法を提案する。 提案手法では、ニューラルネットワーク(NN)をトレーニングするラベルとして情報ビットベクトルを使用する代わりに、NNは有界距離デコーダとして機能するように訓練される。
  論文  参考訳（メタデータ） (2023-07-16T11:12:58Z)
• Deep Quantum Error Correction [73.54643419792453]
  量子誤り訂正符号(QECC)は、量子コンピューティングのポテンシャルを実現するための鍵となる要素である。 本研究では,新しいエンペンド・ツー・エンドの量子誤りデコーダを効率的に訓練する。 提案手法は,最先端の精度を実現することにより,QECCのニューラルデコーダのパワーを実証する。
  論文  参考訳（メタデータ） (2023-01-27T08:16:26Z)
• Generative Adversarial Learning of Sinkhorn Algorithm Initializations [0.0]
  我々は、エントロピーOT双対問題を通じてアルゴリズムの初期化を学ぶためにニューラルネットワークを巧みに訓練することで、収束を著しく加速できることを示した。 我々のネットワークは,正規化輸送距離を数パーセントの誤差に近似するために,スタンドアロンのOTソルバとしても使用できることを示す。
  論文  参考訳（メタデータ） (2022-11-30T21:56:09Z)
• Denoising Diffusion Error Correction Codes [92.10654749898927]
  近年、ニューラルデコーダは古典的デコーダ技術に対する優位性を実証している。 最近の最先端のニューラルデコーダは複雑で、多くのレガシデコーダの重要な反復的スキームが欠如している。 本稿では,任意のブロック長の線形符号のソフトデコードにデノナイズ拡散モデルを適用することを提案する。
  論文  参考訳（メタデータ） (2022-09-16T11:00:50Z)
• Graph Neural Networks for Channel Decoding [71.15576353630667]
  低密度パリティチェック(LDPC)やBCH符号など、様々な符号化方式の競合復号性能を示す。 ニューラルネットワーク(NN)は、与えられたグラフ上で一般化されたメッセージパッシングアルゴリズムを学習する。 提案するデコーダを,従来のチャネル復号法および最近のディープラーニングに基づく結果と比較した。
  論文  参考訳（メタデータ） (2022-07-29T15:29:18Z)
• Neural Decoding with Optimization of Node Activations [23.22461721824713]
  誤り訂正符号に対するニューラルデコーダを用いた極大復号化の問題点を考察する。 ニューラルデコーダは、ノードのアクティベーションに関する2つの新しい損失項で改善できることが示されている。
  論文  参考訳（メタデータ） (2022-06-01T22:38:32Z)
• Deep Convolutional Learning-Aided Detector for Generalized Frequency Division Multiplexing with Index Modulation [0.0]
  提案手法は、まずゼロフォース検出器(ZF)を用いて受信信号を前処理し、その後、畳み込みニューラルネットワーク(CNN)と完全連結ニューラルネットワーク(FCNN)からなるニューラルネットワークを用いる。 FCNN部は2つの完全に接続された層しか使用せず、複雑さとBER(bit error rate)パフォーマンスのトレードオフをもたらすことができる。 提案したディープ畳み込みニューラルネットワークに基づく検出・復調方式は,ZF検出器よりも高いBER性能を示し,複雑性が増大することが実証されている。
  論文  参考訳（メタデータ） (2022-02-06T22:18:42Z)
• Learning Frequency Domain Approximation for Binary Neural Networks [68.79904499480025]
  フーリエ周波数領域における符号関数の勾配を正弦関数の組み合わせを用いて推定し,BNNの訓練を行う。 いくつかのベンチマークデータセットとニューラルネットワークの実験により、この手法で学習したバイナリネットワークが最先端の精度を達成することが示されている。
  論文  参考訳（メタデータ） (2021-03-01T08:25:26Z)
• Class-Conditional Defense GAN Against End-to-End Speech Attacks [82.21746840893658]
  本稿では,DeepSpeech や Lingvo といった先進的な音声テキストシステムを騙すために開発された,エンドツーエンドの敵対攻撃に対する新しいアプローチを提案する。 従来の防御手法とは異なり、提案手法は入力信号のオートエンコードのような低レベル変換を直接利用しない。 我々の防衛GANは、単語誤り率と文レベルの認識精度において、従来の防衛アルゴリズムよりもかなり優れています。
  論文  参考訳（メタデータ） (2020-10-22T00:02:02Z)
• Neural Control Variates [71.42768823631918]
  ニューラルネットワークの集合が、積分のよい近似を見つけるという課題に直面していることを示す。 理論的に最適な分散最小化損失関数を導出し、実際に安定したオンライントレーニングを行うための代替の複合損失を提案する。 具体的には、学習した光場近似が高次バウンスに十分な品質であることを示し、誤差補正を省略し、無視可能な可視バイアスのコストでノイズを劇的に低減できることを示した。
  論文  参考訳（メタデータ） (2020-06-02T11:17:55Z)

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。