論文の概要: End-to-End Fast Training of Communication Links Without a Channel Model
via Online Meta-Learning
- arxiv url: http://arxiv.org/abs/2003.01479v1
- Date: Tue, 3 Mar 2020 12:25:53 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-26 23:37:14.476617
- Title: End-to-End Fast Training of Communication Links Without a Channel Model
via Online Meta-Learning
- Title（参考訳）: オンラインメタ学習によるチャンネルモデルのない通信リンクのエンドツーエンド学習
- Authors: Sangwoo Park, Osvaldo Simeone, Joonhyuk Kang
- Abstract要約: チャネルモデルが利用できない場合、フェーディングノイズチャネル上のエンコーダとデコーダのエンドツーエンドのトレーニングには、チャネルとフィードバックリンクの繰り返しの使用が必要である。
以前の作業では、複数のチャネル上での共同トレーニングを検討しており、チャンネルのクラスでうまく機能する1組のエンコーダとデコーダを見つけることを目的としていた。
本稿では,メタラーニングによるジョイントトレーニングの限界を回避することを提案する。
- 参考スコア（独自算出の注目度）: 40.427909614453526
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: When a channel model is not available, the end-to-end training of encoder and
decoder on a fading noisy channel generally requires the repeated use of the
channel and of a feedback link. An important limitation of the approach is that
training should be generally carried out from scratch for each new channel. To
cope with this problem, prior works considered joint training over multiple
channels with the aim of finding a single pair of encoder and decoder that
works well on a class of channels. In this paper, we propose to obviate the
limitations of joint training via meta-learning. The proposed approach is based
on a meta-training phase in which the online gradient-based meta-learning of
the decoder is coupled with the joint training of the encoder via the
transmission of pilots and the use of a feedback link. Accounting for channel
variations during the meta-training phase, this work demonstrates the
advantages of meta-learning in terms of number of pilots as compared to
conventional methods when the feedback link is only available for meta-training
and not at run time.
- Abstract（参考訳）: チャネルモデルが利用できない場合、フェーディングノイズチャネル上のエンコーダとデコーダのエンドツーエンドのトレーニングは、一般的にチャネルとフィードバックリンクの繰り返しの使用を必要とする。
アプローチの重要な制限は、トレーニングを新しいチャネル毎にスクラッチから行うべきだ、ということです。
この問題に対処するため、プリエントワークは複数のチャネル上での合同トレーニングを検討し、一つのエンコーダとデコーダのペアを見つけることを目的としている。
本稿では,メタラーニングによるジョイントトレーニングの限界を回避することを提案する。
提案手法は,オンライン勾配に基づくデコーダのメタ学習と,パイロットの伝達とフィードバックリンクの利用によるエンコーダの合同トレーニングとを結合したメタトレーニングフェーズに基づいている。
メタトレーニングフェーズにおけるチャネルの変動を考慮し,フィードバックリンクが実行時ではなくメタトレーニングでのみ使用可能な従来の方法と比較して,パイロット数の観点からメタ学習の利点を実証する。
関連論文リスト
- Multi-level Reliability Interface for Semantic Communications over Wireless Networks [5.9056146376982]
ジョイントソースチャネル符号化(JSCC)は、ソースメッセージをチャネル入力シンボルに直接マッピングする。
本稿では,新しいマルチレベル信頼性インタフェースを用いて,ソースマッピングとチャネルマッピングを個別に,順次に設計することを提案する。
この研究は、無線ネットワークにおける意味コミュニケーションの実現に向けた重要なステップである。
論文 参考訳（メタデータ） (2024-07-07T20:15:10Z) - Channelformer: Attention based Neural Solution for Wireless Channel
Estimation and Effective Online Training [1.0499453838486013]
本稿では,改良されたチャネル推定を実現するために,エンコーダ・デコーダニューラルアーキテクチャ(Channelformer)を提案する。
我々は,復号器として,エンコーダと残差畳み込みニューラルアーキテクチャに多面的注意を払っている。
また,現代通信システムにおける第5世代(5G)新しい無線(NR)構成に基づく効果的なオンライントレーニング手法を提案する。
論文 参考訳（メタデータ） (2023-02-08T23:18:23Z) - Interference Cancellation GAN Framework for Dynamic Channels [74.22393885274728]
チャネルのあらゆる変更に適応できるオンライントレーニングフレームワークを導入します。
我々のフレームワークは、非常にダイナミックなチャネル上での最近のニューラルネットワークモデルよりも大幅に優れています。
論文 参考訳（メタデータ） (2022-08-17T02:01:18Z) - Deep Learning Based Antenna-time Domain Channel Extrapolation for Hybrid
mmWave Massive MIMO [30.201881862681972]
本研究では,部分的なアップリンクチャネルから基地局の全ダウンリンクチャネルへのマッピング関数を学習するために,潜在常微分方程式(ODE)に基づくネットワークを設計する。
シミュレーションの結果,設計したネットワークは,部分的なアップリンクチャネルから全ダウンリンクチャネルを効率的に推測できることがわかった。
論文 参考訳（メタデータ） (2021-08-09T11:12:46Z) - Model-Driven Deep Learning Based Channel Estimation and Feedback for
Millimeter-Wave Massive Hybrid MIMO Systems [61.78590389147475]
本稿では,ミリ波(mmWave)システムのモデル駆動深層学習(MDDL)に基づくチャネル推定とフィードバック方式を提案する。
無線周波数(RF)鎖の限られた数から高次元チャネルを推定するためのアップリンクパイロットオーバーヘッドを低減するために,位相シフトネットワークとチャネル推定器を自動エンコーダとして共同で訓練することを提案する。
MDDLに基づくチャネル推定とフィードバック方式は,最先端の手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2021-04-22T13:34:53Z) - Low-Fidelity End-to-End Video Encoder Pre-training for Temporal Action
Localization [96.73647162960842]
TALはビデオ理解の基本的な課題だが、難しい課題だ。
既存のtalメソッドは、アクション分類の監督を通じてビデオエンコーダを事前トレーニングする。
本稿では,ローファイダリティ・エンド・ツー・エンド(LoFi)ビデオエンコーダの事前学習手法を提案する。
論文 参考訳（メタデータ） (2021-03-28T22:18:14Z) - CAnet: Uplink-aided Downlink Channel Acquisition in FDD Massive MIMO
using Deep Learning [51.72869237847767]
周波数分割二重化システムでは、ダウンリンクチャネル状態情報(CSI)取得方式は高いトレーニングとフィードバックのオーバーヘッドをもたらす。
これらのオーバーヘッドを削減するためにディープラーニングを用いたアップリンク支援ダウンリンクチャネル獲得フレームワークを提案する。
論文 参考訳（メタデータ） (2021-01-12T10:12:28Z) - FedRec: Federated Learning of Universal Receivers over Fading Channels [92.15358738530037]
本稿では,ダウンリンクフェージングチャネルに対するニューラルネットワークを用いたシンボル検出手法を提案する。
複数のユーザが協力して、普遍的なデータ駆動型検出器を学習する。
得られた受信機の性能は、フェーディング統計の知識を必要とせずに、様々なチャネル条件下でMAP性能に近づくことを示す。
論文 参考訳（メタデータ） (2020-11-14T11:29:55Z)
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。