論文の概要: perm2vec: Graph Permutation Selection for Decoding of Error Correction
Codes using Self-Attention
- arxiv url: http://arxiv.org/abs/2002.02315v2
- Date: Fri, 19 Feb 2021 08:27:51 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-03 13:22:01.250647
- Title: perm2vec: Graph Permutation Selection for Decoding of Error Correction
Codes using Self-Attention
- Title(参考訳): perm2vec: 自己アテンションを用いた誤り訂正符号の復号化のためのグラフ置換選択
- Authors: Nir Raviv, Avi Caciularu, Tomer Raviv, Jacob Goldberger and Yair
Be'ery
- Abstract要約: 本稿では、ドメイン知識と機械学習の概念を組み合わせた、置換選択のためのデータ駆動フレームワークを提案する。
この研究は、物理層通信システムにおけるニューラルトランスフォーマーネットワークの利点を利用する最初のものである。
- 参考スコア(独自算出の注目度): 19.879263834757758
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Error correction codes are an integral part of communication applications,
boosting the reliability of transmission. The optimal decoding of transmitted
codewords is the maximum likelihood rule, which is NP-hard due to the curse of
dimensionality. For practical realizations, sub-optimal decoding algorithms are
employed; yet limited theoretical insights prevent one from exploiting the full
potential of these algorithms. One such insight is the choice of permutation in
permutation decoding. We present a data-driven framework for permutation
selection, combining domain knowledge with machine learning concepts such as
node embedding and self-attention. Significant and consistent improvements in
the bit error rate are introduced for all simulated codes, over the baseline
decoders. To the best of the authors' knowledge, this work is the first to
leverage the benefits of the neural Transformer networks in physical layer
communication systems.
- Abstract(参考訳): 誤り訂正符号は通信アプリケーションの不可欠な部分であり、伝送の信頼性を高める。
送信されたコードワードの最適復号化は最大極大規則であり、次元の呪いのためNPハードである。
実用的な実現には、準最適復号アルゴリズムが用いられるが、理論的な洞察は限られており、これらのアルゴリズムの潜在能力を最大限に活用することができない。
そのような洞察の1つは、置換復号における置換の選択である。
本稿では,ノード埋め込みや自己アテンションといった機械学習の概念とドメイン知識を組み合わせる,順列選択のためのデータ駆動フレームワークを提案する。
ベースラインデコーダよりも、すべてのシミュレートされたコードに対して、ビットエラー率を大幅に改善する。
著者の知識を最大限に活用するために、この研究は物理層通信システムにおけるニューラルトランスフォーマーネットワークの利点を利用する最初のものである。
関連論文リスト
- Coding for Gaussian Two-Way Channels: Linear and Learning-Based
Approaches [28.98777190628006]
線形符号化と学習ベース符号化の2つの異なる双方向符号化方式を提案する。
学習に基づくコーディングには、新しいリカレントニューラルネットワーク(RNN)ベースのコーディングアーキテクチャを導入する。
我々の双方向符号化方式は、従来のチャネル符号化方式よりも格段に優れている。
論文 参考訳(メタデータ) (2023-12-31T12:40:18Z) - Testing the Accuracy of Surface Code Decoders [55.616364225463066]
大規模でフォールトトレラントな量子計算は量子エラー訂正符号(QECC)によって実現される
本研究は,QECC復号方式の精度と有効性をテストするための最初の体系的手法である。
論文 参考訳(メタデータ) (2023-11-21T10:22:08Z) - Generalization Bounds for Neural Belief Propagation Decoders [19.278148937181562]
本稿では,ニューラルネットワークを用いたデコーダの一般化機能について検討する。
具体的には、デコーダの一般化ギャップは、経験的ビットエラーレートと期待ビットエラーレートの差である。
通常のパリティチェック行列と不規則なパリティチェック行列の両方について結果が提示される。
論文 参考訳(メタデータ) (2023-05-17T19:56:04Z) - The END: An Equivariant Neural Decoder for Quantum Error Correction [73.4384623973809]
データ効率のよいニューラルデコーダを導入し、この問題の対称性を活用する。
本稿では,従来のニューラルデコーダに比べて精度の高い新しい同変アーキテクチャを提案する。
論文 参考訳(メタデータ) (2023-04-14T19:46:39Z) - 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) - 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 Network Decoders for Permutation Codes Correcting Different
Errors [20.70208671558469]
電力線通信およびフラッシュメモリのランク変調における異なる種類の誤差を補正するために、置換符号を広範囲に研究した。
ニューラルネットワークデコーダを導入し,これらのエラーをワンショットデコードで訂正する。
論文 参考訳(メタデータ) (2022-06-07T14:02:32Z) - Error Correction Code Transformer [92.10654749898927]
本稿では,トランスフォーマーアーキテクチャを任意のブロック長で線形符号のソフトデコードに拡張することを提案する。
我々は,各チャネルの出力次元を高次元に符号化し,個別に処理すべきビット情報のより良い表現を行う。
提案手法は、トランスフォーマーの極端なパワーと柔軟性を示し、既存の最先端のニューラルデコーダを、その時間的複雑さのごく一部で大きなマージンで上回る。
論文 参考訳(メタデータ) (2022-03-27T15:25:58Z) - Adversarial Neural Networks for Error Correcting Codes [76.70040964453638]
機械学習(ML)モデルの性能と適用性を高めるための一般的なフレームワークを紹介する。
本稿では,MLデコーダと競合する識別器ネットワークを組み合わせることを提案する。
我々のフレームワークはゲーム理論であり、GAN(Generative Adversarial Network)によって動機付けられている。
論文 参考訳(メタデータ) (2021-12-21T19:14:44Z)
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。