論文の概要: Data-Driven Factor Graphs for Deep Symbol Detection
- arxiv url: http://arxiv.org/abs/2002.00758v1
- Date: Fri, 31 Jan 2020 09:23:52 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-05 06:19:49.327359
- Title: Data-Driven Factor Graphs for Deep Symbol Detection
- Title（参考訳）: 深部記号検出のためのデータ駆動因子グラフ
- Authors: Nir Shlezinger, Nariman Farsad, Yonina C. Eldar, and Andrea J.
Goldsmith
- Abstract要約: 本稿では,因子グラフ法をデータ駆動方式で実装することを提案する。
特に,機械学習(ML)ツールを用いて因子グラフの学習を提案する。
我々は,BCJRNetと呼ばれる提案システムにおいて,BCJRアルゴリズムを小さなトレーニングセットから実装することを実証した。
- 参考スコア（独自算出の注目度）: 107.63351413549992
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Many important schemes in signal processing and communications, ranging from
the BCJR algorithm to the Kalman filter, are instances of factor graph methods.
This family of algorithms is based on recursive message passing-based
computations carried out over graphical models, representing a factorization of
the underlying statistics. Consequently, in order to implement these
algorithms, one must have accurate knowledge of the statistical model of the
considered signals. In this work we propose to implement factor graph methods
in a data-driven manner. In particular, we propose to use machine learning (ML)
tools to learn the factor graph, instead of the overall system task, which in
turn is used for inference by message passing over the learned graph. We apply
the proposed approach to learn the factor graph representing a finite-memory
channel, demonstrating the resulting ability to implement BCJR detection in a
data-driven fashion. We demonstrate that the proposed system, referred to as
BCJRNet, learns to implement the BCJR algorithm from a small training set, and
that the resulting receiver exhibits improved robustness to inaccurate training
compared to the conventional channel-model-based receiver operating under the
same level of uncertainty. Our results indicate that by utilizing ML tools to
learn factor graphs from labeled data, one can implement a broad range of
model-based algorithms, which traditionally require full knowledge of the
underlying statistics, in a data-driven fashion.
- Abstract（参考訳）: BCJRアルゴリズムからカルマンフィルタまで、信号処理と通信における多くの重要なスキームは、因子グラフ法の例である。
このアルゴリズム群は、グラフィカルモデル上で実行される再帰的メッセージパッシングに基づく計算に基づいており、基礎となる統計の因子化を表している。
したがって、これらのアルゴリズムを実装するためには、考慮された信号の統計モデルに関する正確な知識が必要である。
本研究では,因子グラフ法をデータ駆動方式で実装することを提案する。
特に、機械学習(ML)ツールを使用して、システム全体のタスクではなく、ファクタグラフを学習し、学習したグラフ上のメッセージパッシングによる推論に使用することを提案する。
本稿では,有限メモリチャネルを表す因子グラフを学習するために提案手法を適用し,データ駆動方式でbcjr検出を実現する能力を示す。
提案システムは,BCJRNetと呼ばれ,BCJRアルゴリズムを小さなトレーニングセットから学習し,その結果,同一レベルの不確実性の下で動作している従来のチャネルモデルベースの受信機と比較して,トレーニングの堅牢性を向上したことを示す。
その結果,ラベル付きデータから因子グラフを学習するためにmlツールを利用することで,従来データ駆動方式で統計の完全な知識を必要とする幅広いモデルベースアルゴリズムを実装できることがわかった。
関連論文リスト
- Task-Oriented Communication for Graph Data: A Graph Information Bottleneck Approach [12.451324619122405]
本稿では,コミュニケーションのオーバーヘッドを低減しつつ,鍵情報を保持するタスク中心のより小さなサブグラフを抽出する手法を提案する。
提案手法では,グラフニューラルネットワーク(GNN)とグラフ情報ボトルネック(GIB)の原理を用いて,伝達に適したコンパクトで情報的,堅牢なグラフ表現を生成する。
論文 参考訳（メタデータ） (2024-09-04T14:01:56Z) - Generalizing Backpropagation for Gradient-Based Interpretability [103.2998254573497]
モデルの勾配は、半環を用いたより一般的な定式化の特別な場合であることを示す。
この観測により、バックプロパゲーションアルゴリズムを一般化し、他の解釈可能な統計を効率的に計算することができる。
論文 参考訳（メタデータ） (2023-07-06T15:19:53Z) - Bures-Wasserstein Means of Graphs [60.42414991820453]
本研究では,スムーズなグラフ信号分布の空間への埋め込みを通じて,グラフ平均を定義する新しいフレームワークを提案する。
この埋め込み空間において平均を求めることにより、構造情報を保存する平均グラフを復元することができる。
我々は,新しいグラフの意味の存在と特異性を確立し,それを計算するための反復アルゴリズムを提供する。
論文 参考訳（メタデータ） (2023-05-31T11:04:53Z) - Graph-based Active Learning for Semi-supervised Classification of SAR
Data [8.92985438874948]
本稿では,グラフベース学習法とニューラルネットワーク法を組み合わせた合成開口レーダ(SAR)データの分類手法を提案する。
CNNVAEの機能埋め込みとグラフ構築はラベル付きデータを必要としないため、オーバーフィッティングが軽減される。
この方法は、データラベリングプロセスにおいて、アクティブラーニングのためのヒューマン・イン・ザ・ループを容易に組み込む。
論文 参考訳（メタデータ） (2022-03-31T00:14:06Z) - Contrastive and Generative Graph Convolutional Networks for Graph-based
Semi-Supervised Learning [64.98816284854067]
グラフベースのSemi-Supervised Learning (SSL)は、少数のラベル付きデータのラベルをグラフ経由で残りの巨大なラベル付きデータに転送することを目的としている。
本稿では,データ類似性とグラフ構造を両立させ,監視信号の強化を図るため,新しいGCNベースのSSLアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-09-15T13:59:28Z) - Learned Factor Graphs for Inference from Stationary Time Sequences [107.63351413549992]
定常時間列のためのモデルベースアルゴリズムとデータ駆動型MLツールを組み合わせたフレームワークを提案する。
ニューラルネットワークは、時系列の分布を記述する因子グラフの特定のコンポーネントを別々に学習するために開発された。
本稿では,学習された定常因子グラフに基づく推論アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-06-05T07:06:19Z) - Data-Driven Symbol Detection via Model-Based Machine Learning [117.58188185409904]
機械学習(ML)とモデルベースアルゴリズムを組み合わせた,検出設計のシンボル化を目的とした,データ駆動型フレームワークについてレビューする。
このハイブリッドアプローチでは、よく知られたチャネルモデルに基づくアルゴリズムをMLベースのアルゴリズムで拡張し、チャネルモデル依存性を除去する。
提案手法は, 正確なチャネル入出力統計関係を知らなくても, モデルベースアルゴリズムのほぼ最適性能が得られることを示す。
論文 参考訳（メタデータ） (2020-02-14T06:58:27Z) - Distance Metric Learning for Graph Structured Data [23.3700989820887]
グラフ分類問題に対する教師付き距離メトリック学習法を提案する。
本手法は,IGML (Interpretable graph metric learning) と命名され,サブグラフに基づく特徴空間における識別的指標を学習する。
いくつかのベンチマークデータセットを用いて,IGMLの計算効率と分類性能を実験的に評価した。
論文 参考訳（メタデータ） (2020-02-03T13:42:43Z)
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。