論文の概要: Two Applications of Deep Learning in the Physical Layer of Communication Systems

• arxiv url: http://arxiv.org/abs/2001.03350v2
• Date: Sat, 2 Jan 2021 08:43:56 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-12 23:56:21.230537
• Title: Two Applications of Deep Learning in the Physical Layer of Communication Systems
• Title（参考訳）: 通信システムの物理層における深層学習の2つの応用
• Authors: Emil Bj\"ornson and Pontus Giselsson
• Abstract要約: ディープラーニングは、データ駆動信号処理アルゴリズムを開発するための強力なツールであることが証明されている。 入力信号の重要な特徴と特徴を学習することで、学習アルゴリズムは多くの人造アルゴリズムを破ることができる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning has proved itself to be a powerful tool to develop data-driven signal processing algorithms for challenging engineering problems. By learning the key features and characteristics of the input signals, instead of requiring a human to first identify and model them, learned algorithms can beat many man-made algorithms. In particular, deep neural networks are capable of learning the complicated features in nature-made signals, such as photos and audio recordings, and use them for classification and decision making. The situation is rather different in communication systems, where the information signals are man-made, the propagation channels are relatively easy to model, and we know how to operate close to the Shannon capacity limits. Does this mean that there is no role for deep learning in the development of future communication systems?
• Abstract（参考訳）: ディープラーニングは、エンジニアリング問題に挑戦するデータ駆動信号処理アルゴリズムを開発するための強力なツールであることが証明されている。 入力信号の重要な特徴や特徴を学習することで、まず人間に識別してモデル化させる代わりに、学習アルゴリズムは多くの人造アルゴリズムを破ることができる。 特にディープニューラルネットワークは、写真やオーディオ記録などの自然に作られた信号の複雑な特徴を学習し、分類と意思決定に使用することができる。 情報信号が人為的に作成され、伝播チャネルがモデル化が比較的容易な通信システムでは、状況がかなり異なり、シャノン容量制限に近い運用方法が分かっている。 これは、将来の通信システムの開発において、ディープラーニングには何の役割も持たないことを意味するのか?

関連論文リスト

• Deep Internal Learning: Deep Learning from a Single Input [88.59966585422914]
  多くの場合、手元にある入力からネットワークをトレーニングする価値がある。 これは、トレーニングデータが少なく、多様性が大きい多くの信号および画像処理問題に特に関係している。 本研究の目的は,この2つの重要な方向に向けて,過去数年間に提案されてきた深層学習技術について報告することである。
  論文  参考訳（メタデータ） (2023-12-12T16:48:53Z)
• Neuro-Symbolic Artificial Intelligence (AI) for Intent based Semantic Communication [85.06664206117088]
  6Gネットワークはデータ転送のセマンティクスと有効性(エンドユーザ)を考慮する必要がある。 観測データの背後にある因果構造を学習するための柱としてNeSy AIが提案されている。 GFlowNetは、無線システムにおいて初めて活用され、データを生成する確率構造を学ぶ。
  論文  参考訳（メタデータ） (2022-05-22T07:11:57Z)
• Scalable algorithms for physics-informed neural and graph networks [0.6882042556551611]
  物理インフォームド機械学習(PIML)は、複雑な物理的および生物学的システムをシミュレートするための有望な新しいアプローチとして登場した。 PIMLでは、物理法則を適用し、時空領域のランダムな点で評価することで得られる追加情報から、そのようなネットワークを訓練することができる。 本稿では、主にフィードフォワードニューラルネットワークと自動微分に基づく物理情報ニューラルネットワーク(PINN)を用いて、物理を機械学習に組み込む一般的なトレンドについて概説する。
  論文  参考訳（メタデータ） (2022-05-16T15:46:11Z)
• What Matters in Learning from Offline Human Demonstrations for Robot Manipulation [64.43440450794495]
  ロボット操作のための6つのオフライン学習アルゴリズムについて広範な研究を行う。 我々の研究は、オフラインの人間のデータから学習する際の最も重要な課題を分析します。 人間のデータセットから学ぶ機会を強調します。
  論文  参考訳（メタデータ） (2021-08-06T20:48:30Z)
• Federated Learning: A Signal Processing Perspective [144.63726413692876]
  フェデレーションラーニングは、データを明示的に交換することなく、ローカルデータセットを保持する複数のエッジデバイスでモデルをトレーニングするための新しい機械学習パラダイムです。 本稿では、信号処理ツールを用いて扱うのが自然である主な課題をカプセル化し、強調する、連合学習のための統一的な体系的フレームワークを提供する。
  論文  参考訳（メタデータ） (2021-03-31T15:14:39Z)
• Model-Based Deep Learning [155.063817656602]
  信号処理、通信、制御は伝統的に古典的な統計モデリング技術に依存している。 ディープニューラルネットワーク(DNN)は、データから操作を学ぶ汎用アーキテクチャを使用し、優れたパフォーマンスを示す。 私たちは、原理数学モデルとデータ駆動システムを組み合わせて両方のアプローチの利点を享受するハイブリッド技術に興味があります。
  論文  参考訳（メタデータ） (2020-12-15T16:29:49Z)
• Malicious Network Traffic Detection via Deep Learning: An Information Theoretic View [0.0]
  本研究では,ホメオモルフィズムがマルウェアのトラフィックデータセットの学習表現に与える影響について検討する。 この結果から,学習された表現の詳細と,すべてのパラメータの多様体上で定義された特定の座標系は,関数近似とは全く異なることが示唆された。
  論文  参考訳（メタデータ） (2020-09-16T15:37:44Z)
• Boolean learning under noise-perturbations in hardware neural networks [0.0]
  ノイズは収束中にシステムの経路を強く変更し,最終的な読み出し重量行列を驚くほど完全にデコレーションすることがわかった。 これは、相互作用するプレイヤーとしてのアーキテクチャ、ノイズ、学習アルゴリズムを理解することの重要性を強調している。
  論文  参考訳（メタデータ） (2020-03-27T10:36:03Z)
• 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)
• Communication-Efficient Edge AI: Algorithms and Systems [39.28788394839187]
  エッジデバイス(IoTデバイスなど)の大規模展開は、前例のない規模のデータを生成する。 このような巨大なデータはすべて、処理のためにエンドデバイスからクラウドに送信することはできない。 AIモデルの推論とトレーニングプロセスをエッジノードにプッシュすることで、エッジAIは有望な代替手段として浮上した。
  論文  参考訳（メタデータ） (2020-02-22T09:27:55Z)

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。