論文の概要: AEVB-Comm: An Intelligent CommunicationSystem based on AEVBs
- arxiv url: http://arxiv.org/abs/2005.09391v1
- Date: Tue, 19 May 2020 12:36:37 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-01 14:43:09.135718
- Title: AEVB-Comm: An Intelligent CommunicationSystem based on AEVBs
- Title（参考訳）: aevb-comm: aevbsに基づく知的通信システム
- Authors: Raghu Vamshi Hemadri, Akshay Rayaluru, and Rahul Jashvantbhai Pandya
- Abstract要約: 本稿では,新しい畳み込みニューラルネットワーク (CNN) を用いた変分オートエンコーダ (VAE) 通信システムを提案する。
VAE(continuous latent space)ベースの通信システムは、AE(distributed latent space)や他の従来の手法と比較して、システム性能が前例のない改善を期待する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In recent years, applying Deep Learning (DL) techniques emerged as a common
practice in the communication system, demonstrating promising results. The
present paper proposes a new Convolutional Neural Network (CNN) based
Variational Autoencoder (VAE) communication system. The VAE (continuous latent
space) based communication systems confer unprecedented improvement in the
system performance compared to AE (distributed latent space) and other
traditional methods. We have introduced an adjustable hyperparameter beta in
the proposed VAE, which is also known as beta-VAE, resulting in extremely
disentangled latent space representation. Furthermore, a higher-dimensional
representation of latent space is employed, such as 4n dimension instead of 2n,
reducing the Block Error Rate (BLER). The proposed system can operate under
Additive Wide Gaussian Noise (AWGN) and Rayleigh fading channels. The CNN based
VAE architecture performs the encoding and modulation at the transmitter,
whereas decoding and demodulation at the receiver. Finally, to prove that a
continuous latent space-based system designated VAE performs better than the
other, various simulation results supporting the same has been conferred under
normal and noisy conditions.
- Abstract（参考訳）: 近年,コミュニケーションシステムにおいて,Deep Learning (DL) 技術の適用が一般的な実践として現れ,有望な成果が示された。
本稿では,新しい畳み込みニューラルネットワーク(CNN)を用いた可変オートエンコーダ(VAE)通信システムを提案する。
VAE(continuous latent space)ベースの通信システムは、AE(distributed latent space)や他の従来の手法と比較して、システム性能が前例のない改善である。
提案するvaeに調整可能なハイパーパラメータベータを導入した。これはβ-vaeとしても知られ、非常に不連続な潜在空間表現となる。
さらに、2n の代わりに 4n 次元のような遅延空間の高次元表現が採用され、ブロック誤差率(BLER)が減少する。
提案システムは,AWGN (Additive Wide Gaussian Noise) とレイリーフェディングチャネルの下で動作可能である。
cnnベースのvaeアーキテクチャは送信機でエンコーディングと変調を行い、一方で受信機ではデコードと復調を行う。
最後に, 連続潜時空間ベース系が他よりも優れていることを示すため, 正常・雑音条件下での様々なシミュレーション結果が与えられた。
関連論文リスト
- Semantic Successive Refinement: A Generative AI-aided Semantic Communication Framework [27.524671767937512]
本稿では,単一ユーザシナリオを対象とした新しいジェネレーティブAIセマンティックコミュニケーション(GSC)システムを提案する。
送信側では、Swin Transformerをベースとしたジョイントソースチャネル符号化機構を用いて、効率的なセマンティック特徴抽出を行う。
受信側では、高度な拡散モデル(DM)が劣化した信号から高品質な画像を再構成し、知覚の詳細を高める。
論文 参考訳（メタデータ） (2024-07-31T06:08:51Z) - An ML-assisted OTFS vs. OFDM adaptable modem [1.8492669447784602]
OTFSおよびOFDM波形は、レガシーアーキテクチャの再利用、レシーバ設計の単純さ、低複雑さ検出の利点を享受する。
本稿では,送信機におけるOTFSまたはOFDM信号処理チェーンと受信機とを切り替えて,平均二乗誤差(MSE)性能を最適化するディープニューラルネットワーク(DNN)に基づく適応方式を提案する。
論文 参考訳（メタデータ） (2023-09-04T02:33:44Z) - Causal Semantic Communication for Digital Twins: A Generalizable
Imitation Learning Approach [74.25870052841226]
デジタルツイン(DT)は、物理世界の仮想表現と通信(例えば6G)、コンピュータ、人工知能(AI)技術を活用して、多くの接続されたインテリジェンスサービスを実現する。
無線システムは、厳密な通信制約下での情報意思決定を容易にするために意味コミュニケーション(SC)のパラダイムを利用することができる。
DTベースの無線システムでは,因果意味通信(CSC)と呼ばれる新しいフレームワークが提案されている。
論文 参考訳（メタデータ） (2023-04-25T00:15:00Z) - Age of Semantics in Cooperative Communications: To Expedite Simulation
Towards Real via Offline Reinforcement Learning [53.18060442931179]
協調リレー通信システムにおける状態更新のセマンティックス更新度を測定するための意味学年代(AoS)を提案する。
オンライン・ディープ・アクター・クリティック(DAC)学習手法を,政治時間差学習の枠組みに基づいて提案する。
そこで我々は,以前に収集したデータセットから最適制御ポリシーを推定する,新しいオフラインDAC方式を提案する。
論文 参考訳（メタデータ） (2022-09-19T11:55:28Z) - Model-based Deep Learning Receiver Design for Rate-Splitting Multiple
Access [65.21117658030235]
本研究では,モデルベース深層学習(MBDL)に基づく実用的なRSMA受信機の設計を提案する。
MBDL受信機は、符号なしシンボル誤り率(SER)、リンクレベルシミュレーション(LLS)によるスループット性能、平均トレーニングオーバーヘッドの観点から評価される。
その結果,MBDLはCSIRが不完全なSIC受信機よりも優れていた。
論文 参考訳（メタデータ） (2022-05-02T12:23:55Z) - PolarDenseNet: A Deep Learning Model for CSI Feedback in MIMO Systems [18.646674391114548]
UEにおけるCSIを低次元の潜在空間に符号化し、基地局で復号する自動エンコーダアーキテクチャに基づくAIベースのCSIフィードバックを提案する。
シミュレーションの結果,AIに基づく提案したアーキテクチャは,最先端の高分解能線形組合せ符号ブックよりも優れていた。
論文 参考訳（メタデータ） (2022-02-02T19:04:49Z) - Two-Timescale End-to-End Learning for Channel Acquisition and Hybrid
Precoding [94.40747235081466]
本研究では,ミリ波(mmWave)大規模マルチインプット多重出力(MIMO)システムのためのエンドツーエンドの深層学習に基づくジョイントトランスシーバ設計アルゴリズムを提案する。
我々は受信したパイロットを受信機でフィードバックビットにマッピングし、さらに送信機でハイブリッドプリコーダにフィードバックビットをマッピングするDNNアーキテクチャを開発した。
論文 参考訳（メタデータ） (2021-10-22T20:49:02Z) - Channel Estimation Based on Machine Learning Paradigm for Spatial
Modulation OFDM [0.0]
ディープニューラルネットワーク(DNN)は、レイリーフェディングチャネル上のエンドツーエンドデータ検出のための空間変調直交周波数分割多重化(SM-OFDM)技術と統合されている。
提案システムは受信したシンボルを直接復調し,チャネル推定を暗黙的に行う。
論文 参考訳（メタデータ） (2021-09-15T10:54:56Z) - Deep Learning-based Implicit CSI Feedback in Massive MIMO [68.81204537021821]
ニューラルネットワーク(NN)を用いて,プリコーディング行列インジケータ(PMI)符号化とデコードモジュールを置き換える,低オーバヘッド特性を継承するDLベースの暗黙的フィードバックアーキテクチャを提案する。
1つのリソースブロック(RB)では、2つのアンテナ構成下のタイプIコードブックと比較して25.0%と40.0%のオーバーヘッドを節約できる。
論文 参考訳（メタデータ） (2021-05-21T02:43:02Z) - End-to-End Learning for Uplink MU-SIMO Joint Transmitter and
Non-Coherent Receiver Design in Fading Channels [11.182920270301304]
JTRD-Netと呼ばれる新しいエンドツーエンド学習手法が提案され、マルチユーザシングルインプットマルチ出力(MU-SIMO)ジョイントトランスミッタとフェーディングチャネルにおける非コヒーレントレシーバー設計(JTRD)をアップリンクする。
送信側は、マルチユーザー波形設計を担当する並列線形層のグループとしてモデル化されています。
非コヒーレント受信機は、マルチユーザ検出(MUD)機能を提供するために、ディープフィードフォワードニューラルネットワーク(DFNN)によって形成される。
論文 参考訳（メタデータ） (2021-05-04T02:47:59Z) - Neural Architecture Search For LF-MMI Trained Time Delay Neural Networks [61.76338096980383]
TDNN(State-of-the-the-art Factored Time delay Neural Network)の2種類のハイパーパラメータを自動的に学習するために、さまざまなニューラルネットワークサーチ(NAS)技術が使用されている。
DARTSメソッドはアーキテクチャ選択とLF-MMI(格子のないMMI)TDNNトレーニングを統合する。
300時間のSwitchboardコーパスで行われた実験では、自動構成システムはベースラインLF-MMI TDNNシステムより一貫して優れていることが示唆された。
論文 参考訳（メタデータ） (2020-07-17T08:32:11Z)
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。