論文の概要: Deep Unfolded Multicast Beamforming

• arxiv url: http://arxiv.org/abs/2004.09345v1
• Date: Mon, 20 Apr 2020 14:44:43 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-11 19:22:41.763992
• Title: Deep Unfolded Multicast Beamforming
• Title（参考訳）: 深部展開型マルチキャストビームフォーミング
• Authors: Satoshi Takabe and Tadashi Wadayama
• Abstract要約: マルチキャストビームフォーミングはマルチキャスト通信において有望な技術である。 ビームフォーミング設計のための深層学習に基づくアプローチが提案されている。 本稿では,高スケーラビリティ・高効率の深部展開型トレーニング可能なビームフォーミング設計を提案する。
• 参考スコア（独自算出の注目度）: 20.50873301895484
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multicast beamforming is a promising technique for multicast communication. Providing an efficient and powerful beamforming design algorithm is a crucial issue because multicast beamforming problems such as a max-min-fair problem are NP-hard in general. Recently, deep learning-based approaches have been proposed for beamforming design. Although these approaches using deep neural networks exhibit reasonable performance gain compared with conventional optimization-based algorithms, their scalability is an emerging problem for large systems in which beamforming design becomes a more demanding task. In this paper, we propose a novel deep unfolded trainable beamforming design with high scalability and efficiency. The algorithm is designed by expanding the recursive structure of an existing algorithm based on projections onto convex sets and embedding a constant number of trainable parameters to the expanded network, which leads to a scalable and stable training process. Numerical results show that the proposed algorithm can accelerate its convergence speed by using unsupervised learning, which is a challenging training process for deep unfolding.
• Abstract（参考訳）: マルチキャストビームフォーミングはマルチキャスト通信に有望な技術である。 最大周波問題のようなマルチキャストビームフォーミング問題は一般にNPハードであるため、効率的で強力なビームフォーミング設計アルゴリズムを提供することは重要な問題である。 近年,ビームフォーミング設計のためのディープラーニングに基づくアプローチが提案されている。 ディープニューラルネットワークを用いたこれらのアプローチは、従来の最適化ベースのアルゴリズムと比較して適切なパフォーマンス向上を示すが、ビームフォーミング設計がより要求の多いタスクとなる大規模システムでは、スケーラビリティが新たな問題となる。 本稿では,高スケーラビリティ・高効率の深部展開型トレーニング可能なビームフォーミング設計を提案する。 このアルゴリズムは、投影をベースとした既存のアルゴリズムの再帰的構造を凸集合に拡張し、一定数のトレーニング可能なパラメータを拡張ネットワークに埋め込むことで、スケーラブルで安定したトレーニングプロセスを実現する。 数値計算により,提案アルゴリズムは,深部展開の困難な学習プロセスである教師なし学習を用いることで,収束速度を高速化できることを示す。

関連論文リスト

• Fast, Scalable, Warm-Start Semidefinite Programming with Spectral Bundling and Sketching [53.91395791840179]
  我々は、大規模なSDPを解くための、証明可能な正確で高速でスケーラブルなアルゴリズムであるUnified Spectral Bundling with Sketching (USBS)を提案する。 USBSは、20億以上の決定変数を持つインスタンス上で、最先端のスケーラブルなSDP解決器よりも500倍のスピードアップを提供する。
  論文  参考訳（メタデータ） (2023-12-19T02:27:22Z)
• Deep-Unfolding for Next-Generation Transceivers [49.338084953253755]
  次世代マルチインプット・マルチアウトプット(MIMO)トランシーバの定義に関する研究が進められている。 無線通信における先進トランシーバーの設計において、しばしば反復アルゴリズムにつながる最適化アプローチは大きな成功を収めた。 ディープニューラルネットワーク(DNN)で反復アルゴリズムを近似するディープラーニングは、計算時間を著しく短縮することができる。 ディープラーニングと反復アルゴリズムの両方の利点を取り入れたディープアンフォールディングが登場し、反復アルゴリズムを階層的な構造に展開している。
  論文  参考訳（メタデータ） (2023-05-15T02:13:41Z)
• Deep Learning Methods for Joint Optimization of Beamforming and Fronthaul Quantization in Cloud Radio Access Networks [12.838832724944615]
  クラウド無線ネットワーク(C-RAN)システムでは,AP間の協調ビームフォーミングとフロントハウライズ戦略が不可欠である。 非次元量問題は、AP当たりの電力とフロントホール容量の制約から導かれる。 我々は、よく訓練された深層ニューラルネットワーク(DNN)が存在する深層学習最適化モジュールについて検討する。 提案手法の利点を数値計算により検証した。
  論文  参考訳（メタデータ） (2021-07-06T10:27:43Z)
• An adaptive artificial neural network-based generative design method for layout designs [17.377351418260577]
  適応型人工ニューラルネットワークに基づく生成設計手法の提案と開発。 新しい適応学習と最適化戦略が提案され、設計空間を効果的に探索することができます。 2つの熱源レイアウト設計問題に対して,提案手法の性能を実証した。
  論文  参考訳（メタデータ） (2021-01-29T05:32:17Z)
• Joint Deep Reinforcement Learning and Unfolding: Beam Selection and Precoding for mmWave Multiuser MIMO with Lens Arrays [54.43962058166702]
  離散レンズアレイを用いたミリ波マルチユーザマルチインプット多重出力(MU-MIMO)システムに注目が集まっている。 本研究では、DLA を用いた mmWave MU-MIMO システムのビームプリコーディング行列の共同設計について検討する。
  論文  参考訳（メタデータ） (2021-01-05T03:55:04Z)
• Learning to Beamform in Heterogeneous Massive MIMO Networks [48.62625893368218]
  大規模マルチインプット多重出力(MIMO)ネットワークにおいて最適なビームフォーマを見つけることはよく知られている問題である。 本稿では,この問題に対処するための新しい深層学習に基づく論文アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-11-08T12:48:06Z)
• Iterative Algorithm Induced Deep-Unfolding Neural Networks: Precoding Design for Multiuser MIMO Systems [59.804810122136345]
  本稿では,AIIDNN(ディープ・アンフォールディング・ニューラルネット)を一般化した,ディープ・アンフォールディングのためのフレームワークを提案する。 古典的重み付き最小二乗誤差(WMMSE)反復アルゴリズムの構造に基づく効率的なIAIDNNを提案する。 提案したIAIDNNは,計算複雑性を低減した反復WMMSEアルゴリズムの性能を効率よく向上することを示す。
  論文  参考訳（メタデータ） (2020-06-15T02:57:57Z)
• Learning to Stop While Learning to Predict [85.7136203122784]
  多くのアルゴリズムにインスパイアされたディープモデルは全ての入力に対して固定深度に制限される。 アルゴリズムと同様に、深いアーキテクチャの最適深さは、異なる入力インスタンスに対して異なるかもしれない。 本稿では, ステアブルアーキテクチャを用いて, この様々な深さ問題に対処する。 学習した深層モデルと停止ポリシーにより,多様なタスクセットのパフォーマンスが向上することを示す。
  論文  参考訳（メタデータ） (2020-06-09T07:22:01Z)

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。