論文の概要: ADMM-based Decoder for Binary Linear Codes Aided by Deep Learning
- arxiv url: http://arxiv.org/abs/2002.07601v1
- Date: Fri, 14 Feb 2020 03:32:14 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-01 04:39:36.335049
- Title: ADMM-based Decoder for Binary Linear Codes Aided by Deep Learning
- Title(参考訳): 深層学習によるバイナリ線形符号のためのadmmに基づくデコーダ
- Authors: Yi Wei, Ming-Min Zhao, Min-Jian Zhao, and Ming Lei
- Abstract要約: この研究は、二進線形符号に対するディープニューラルネットワーク支援復号アルゴリズムを示す。
ディープ・アンフォールディングの概念に基づいて,乗算器の交互方向のデコーダ(ADMM)を展開させてデコードネットワークを設計する。
以上の結果から,DL支援デコーダはADMM課金デコーダよりも優れていた。
- 参考スコア(独自算出の注目度): 40.25456611849273
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Inspired by the recent advances in deep learning (DL), this work presents a
deep neural network aided decoding algorithm for binary linear codes. Based on
the concept of deep unfolding, we design a decoding network by unfolding the
alternating direction method of multipliers (ADMM)-penalized decoder. In
addition, we propose two improved versions of the proposed network. The first
one transforms the penalty parameter into a set of iteration-dependent ones,
and the second one adopts a specially designed penalty function, which is based
on a piecewise linear function with adjustable slopes. Numerical results show
that the resulting DL-aided decoders outperform the original ADMM-penalized
decoder for various low density parity check (LDPC) codes with similar
computational complexity.
- Abstract(参考訳): 近年のディープラーニング(dl)に着想を得た本研究では,バイナリ線形コードに対するディープニューラルネットワークを用いた復号アルゴリズムを提案する。
ディープ・アンフォールディングの概念に基づいて,乗算器の交互方向のデコーダ(ADMM)を展開させてデコードネットワークを設計する。
さらに,提案するネットワークの2つの改良版を提案する。
1つ目はペナルティパラメータをイテレーション依存のものに変換し、もう1つは特別に設計されたペナルティ関数を採用する。
その結果,DL支援デコーダは,様々な低密度パリティチェック (LDPC) 符号に対して,従来のADMM補償デコーダよりも高い性能を示した。
関連論文リスト
- Threshold Selection for Iterative Decoding of $(v,w)$-regular Binary Codes [84.0257274213152]
繰り返しビットフリップデコーダは、sparse $(v,w)$-regular符号の効率的な選択である。
閉形式モデルに基づくしきい値決定のための具体的な基準を提案する。
論文 参考訳(メタデータ) (2025-01-23T17:38:22Z) - GNN-based Auto-Encoder for Short Linear Block Codes: A DRL Approach [43.17241175857862]
深層強化学習(DRL)とグラフニューラルネットワーク(GNN)をコード設計に統合する。
エッジ重み付きGNN(EW-GNN)デコーダを提案する。
DRLベースのコードデザイナとEW-GNNデコーダの反復的な共同訓練を行い、エンドエンドエンコーディングとデコード処理を最適化する。
論文 参考訳(メタデータ) (2024-12-03T00:25:14Z) - Learning Linear Block Error Correction Codes [62.25533750469467]
本稿では,バイナリ線形ブロック符号の統一エンコーダデコーダトレーニングを初めて提案する。
また,コード勾配の効率的なバックプロパゲーションのために,自己注意マスキングを行うトランスフォーマーモデルを提案する。
論文 参考訳(メタデータ) (2024-05-07T06:47:12Z) - 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) - Machine Learning-Aided Efficient Decoding of Reed-Muller Subcodes [59.55193427277134]
Reed-Muller (RM) 符号は、一般的なバイナリインプットメモリレス対称チャネルの容量を達成する。
RM符号は制限されたレートのみを許容する。
効率的なデコーダは、RM符号に対して有限長で利用可能である。
論文 参考訳(メタデータ) (2023-01-16T04:11:14Z) - A Scalable Graph Neural Network Decoder for Short Block Codes [49.25571364253986]
エッジ重み付きグラフニューラルネットワーク(EW-GNN)に基づく短絡符号の復号化アルゴリズムを提案する。
EW-GNNデコーダは、繰り返しメッセージパッシング構造を持つタナーグラフで動作する。
EW-GNNデコーダは,復号誤り率の観点から,BP法および深層学習に基づくBP法より優れていることを示す。
論文 参考訳(メタデータ) (2022-11-13T17:13:12Z) - A PDD Decoder for Binary Linear Codes With Neural Check Polytope
Projection [43.97522161614078]
基本ポリトープに基づく最大可算(ML)復号問題に対処するPDDアルゴリズムを提案する。
また、PDD復号アルゴリズムの最も時間を要する部分に機械学習技術を統合することを提案する。
本稿では、デコード遅延を低減するために特別に設計されたニューラルCPP(N CPP)アルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-06-11T07:57:15Z) - Pruning Neural Belief Propagation Decoders [77.237958592189]
本稿では,機械学習を用いたBPデコードに対して,過剰完全パリティチェック行列を調整する手法を提案する。
我々は,デコーダの複雑さを低減しつつ,0.27dB,1.5dBのML性能を実現する。
論文 参考訳(メタデータ) (2020-01-21T12:05:46Z)
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。