論文の概要: Capacity of Continuous Channels with Memory via Directed Information
Neural Estimator
- arxiv url: http://arxiv.org/abs/2003.04179v2
- Date: Sat, 16 May 2020 16:51:15 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-25 09:36:05.717197
- Title: Capacity of Continuous Channels with Memory via Directed Information
Neural Estimator
- Title（参考訳）: Directed Information Neural Estimatorによる連続チャネルのメモリ容量
- Authors: Ziv Aharoni and Dor Tsur and Ziv Goldfeld and Haim Henry Permuter
- Abstract要約: 本研究では,チャネルをブラックボックスとして扱う新しいキャパシティ推定アルゴリズムを提案する。
このアルゴリズムは、(i)雑音変数をチャネル入力分布に形作るニューラル分布変換器(NDT)モデルと、(ii)現在のNDTモデルの通信速度を推定するニューラルDI推定器(DINE)の2つの主成分を有する。
- 参考スコア（独自算出の注目度）: 15.372626012233736
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Calculating the capacity (with or without feedback) of channels with memory
and continuous alphabets is a challenging task. It requires optimizing the
directed information (DI) rate over all channel input distributions. The
objective is a multi-letter expression, whose analytic solution is only known
for a few specific cases. When no analytic solution is present or the channel
model is unknown, there is no unified framework for calculating or even
approximating capacity. This work proposes a novel capacity estimation
algorithm that treats the channel as a `black-box', both when feedback is or is
not present. The algorithm has two main ingredients: (i) a neural distribution
transformer (NDT) model that shapes a noise variable into the channel input
distribution, which we are able to sample, and (ii) the DI neural estimator
(DINE) that estimates the communication rate of the current NDT model. These
models are trained by an alternating maximization procedure to both estimate
the channel capacity and obtain an NDT for the optimal input distribution. The
method is demonstrated on the moving average additive Gaussian noise channel,
where it is shown that both the capacity and feedback capacity are estimated
without knowledge of the channel transition kernel. The proposed estimation
framework opens the door to a myriad of capacity approximation results for
continuous alphabet channels that were inaccessible until now.
- Abstract（参考訳）: チャネルの容量(フィードバックの有無に関わらず)をメモリと連続アルファベットで計算するのは難しい作業です。
全てのチャネル入力分布に対して、指向情報(DI)レートを最適化する必要がある。
目的は多文字表現であり、その解析解はいくつかの特定のケースでのみ知られている。
解析解が存在しない場合やチャネルモデルが未知の場合、計算能力や近似能力の統一的な枠組みは存在しない。
本研究では,フィードバックの有無に関わらず,チャネルを「ブラックボックス」として扱う新しいキャパシティ推定アルゴリズムを提案する。
アルゴリズムには2つの主な要素があります
(i)ノイズ変数をチャネル入力分布に形作るニューラル分散トランス(ndt)モデルで、サンプル化することができる。
(ii)現在のndtモデルの通信速度を推定するdiニューラルネットワーク推定器(dine)。
これらのモデルは、チャネル容量を推定し、最適な入力分布のためのNDTを得るために、交互に最大化手順で訓練される。
本手法は移動平均付加型ガウス雑音チャネル上で実証され,チャネル遷移カーネルの知識なくキャパシティとフィードバックキャパシティの両方を推定できることが示されている。
提案した推定フレームワークは,これまでアクセス不能であった連続アルファベットチャネルに対して,無数のキャパシティ近似結果に対する扉を開く。
関連論文リスト
- Latent Schrodinger Bridge: Prompting Latent Diffusion for Fast Unpaired Image-to-Image Translation [58.19676004192321]
ノイズからの画像生成とデータからの逆変換の両方を可能にする拡散モデル (DM) は、強力な未ペア画像対イメージ(I2I)翻訳アルゴリズムにインスピレーションを与えている。
我々は、最小輸送コストの分布間の微分方程式(SDE)であるSchrodinger Bridges (SBs) を用いてこの問題に取り組む。
この観測に触発されて,SB ODE を予め訓練した安定拡散により近似する潜在シュロディンガー橋 (LSB) を提案する。
提案アルゴリズムは,従来のDMのコストをわずかに抑えながら,教師なし環境での競合的I2I翻訳を実現していることを示す。
論文 参考訳（メタデータ） (2024-11-22T11:24:14Z) - Maximal-Capacity Discrete Memoryless Channel Identification [37.598696937684245]
複数のメモリレスチャネル(DMC)の中で、最も高いキャパシティを持つチャネルを特定することの問題点を考察する。
キャパシティ推定器を提案し、推定器誤差の厳密な信頼境界を導出する。
BestChanIDと呼ばれるギャップ除去アルゴリズムを提案する。
NaiveChanSel と MedianChanEl の2つのアルゴリズムが導入された。
論文 参考訳（メタデータ） (2024-01-18T18:44:10Z) - Consistency Trajectory Models: Learning Probability Flow ODE Trajectory of Diffusion [56.38386580040991]
Consistency Trajectory Model (CTM) は Consistency Models (CM) の一般化である
CTMは、対戦訓練とスコアマッチング損失を効果的に組み合わせることで、パフォーマンスを向上させる。
CMとは異なり、CTMのスコア関数へのアクセスは、確立された制御可能/条件生成メソッドの採用を合理化することができる。
論文 参考訳（メタデータ） (2023-10-01T05:07:17Z) - Data-Driven Upper Bounds on Channel Capacity [4.974890682815778]
我々は、未知のアルファベット出力を持つメモリレスチャネルのキャパシティ上の上限を推定する問題を考える。
入力分布の最小化をチャネル出力の参照分布に置き換えた双対表現を利用する新しいアルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-05-13T06:59:31Z) - Deep Diffusion Models for Robust Channel Estimation [1.7259824817932292]
深部拡散モデルを用いたマルチインプット・マルチアウトプット(MIMO)チャネル推定のための新しい手法を提案する。
提案手法は,高次元空間の任意の点における無線チャネルのログ状勾配を推定するために訓練されたディープニューラルネットワークを用いている。
論文 参考訳（メタデータ） (2021-11-16T01:32:11Z) - Learning to Perform Downlink Channel Estimation in Massive MIMO Systems [72.76968022465469]
大規模マルチインプット・マルチアウトプット(MIMO)システムにおけるダウンリンク(DL)チャネル推定について検討する。
一般的なアプローチは、チャネル硬化によって動機付けられた推定値として平均値を使用することである。
本稿では2つの新しい推定法を提案する。
論文 参考訳（メタデータ） (2021-09-06T13:42:32Z) - Discriminative Mutual Information Estimators for Channel Capacity
Learning [1.8275108630751837]
本稿では,任意の種類のメモリレスチャネルに対して,チャネル容量を自動的に学習する新しいフレームワークを提案する。
我々は、CORTICALと呼ばれる協調チャネルキャパシティ学習フレームワークに識別器を含める。
協調値関数の特定の選択がチャネルキャパシティ推定問題を解くことを証明した。
論文 参考訳（メタデータ） (2021-07-07T09:03:40Z) - Learning Frequency Domain Approximation for Binary Neural Networks [68.79904499480025]
フーリエ周波数領域における符号関数の勾配を正弦関数の組み合わせを用いて推定し,BNNの訓練を行う。
いくつかのベンチマークデータセットとニューラルネットワークの実験により、この手法で学習したバイナリネットワークが最先端の精度を達成することが示されている。
論文 参考訳（メタデータ） (2021-03-01T08:25:26Z) - Channel Estimation via Successive Denoising in MIMO OFDM Systems: A Reinforcement Learning Approach [23.57305243608369]
本稿では,強化学習フレームワークに基づく周波数領域の復調手法を提案する。
我々のアルゴリズムは、実用最小二乗推定法(LS)よりも大幅に改善されている。
論文 参考訳（メタデータ） (2021-01-25T18:33:54Z) - Deep Networks for Direction-of-Arrival Estimation in Low SNR [89.45026632977456]
我々は,真の配列多様体行列の変異チャネルデータから学習した畳み込みニューラルネットワーク(CNN)を導入する。
我々は低SNR体制でCNNを訓練し、すべてのSNRでDoAを予測する。
私たちの堅牢なソリューションは、ワイヤレスアレイセンサーから音響マイクロフォンやソナーまで、いくつかの分野に適用できます。
論文 参考訳（メタデータ） (2020-11-17T12:52:18Z) - 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)
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。