論文の概要: A PDD Decoder for Binary Linear Codes With Neural Check Polytope
Projection
- arxiv url: http://arxiv.org/abs/2006.06240v1
- Date: Thu, 11 Jun 2020 07:57:15 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-22 14:42:08.830546
- Title: A PDD Decoder for Binary Linear Codes With Neural Check Polytope
Projection
- Title(参考訳): ニューラルチェックポリトープ投影を用いたバイナリ線形符号のためのPDDデコーダ
- Authors: Yi Wei, Ming-Min Zhao, Min-Jian Zhao and Ming Lei
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 43.97522161614078
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Linear Programming (LP) is an important decoding technique for binary linear
codes. However, the advantages of LP decoding, such as low error floor and
strong theoretical guarantee, etc., come at the cost of high computational
complexity and poor performance at the low signal-to-noise ratio (SNR) region.
In this letter, we adopt the penalty dual decomposition (PDD) framework and
propose a PDD algorithm to address the fundamental polytope based maximum
likelihood (ML) decoding problem. Furthermore, we propose to integrate machine
learning techniques into the most time-consuming part of the PDD decoding
algorithm, i.e., check polytope projection (CPP). Inspired by the fact that a
multi-layer perception (MLP) can theoretically approximate any nonlinear
mapping function, we present a specially designed neural CPP (NCPP) algorithm
to decrease the decoding latency. Simulation results demonstrate the
effectiveness of the proposed algorithms.
- Abstract(参考訳): リニアプログラミング(Linear Programming、LP)は、2進線形符号の重要な復号法である。
しかし、低エラーフロアや強力な理論的保証といったLP復号化の利点は、低信号-雑音比(SNR)領域での計算複雑性と性能の低下を犠牲にしている。
本稿では、ペナルティ二重分解(PDD)フレームワークを採用し、基本ポリトープに基づく最大可能性(ML)復号問題に対処するPDDアルゴリズムを提案する。
さらに,PDD復号アルゴリズムの最も時間を要する部分,すなわちチェックポリトープ投影(CPP)に機械学習技術を統合することを提案する。
多層知覚(mlp)が理論的に任意の非線形マッピング関数を近似できるという事実に触発されて、特別に設計されたニューラルcpp(ncpp)アルゴリズムを提案する。
シミュレーションの結果,提案アルゴリズムの有効性が示された。
関連論文リスト
- 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) - Neural Belief Propagation Decoding of Quantum LDPC Codes Using
Overcomplete Check Matrices [60.02503434201552]
元のチェック行列における行の線形結合から生成された冗長な行を持つチェック行列に基づいてQLDPC符号を復号する。
このアプローチは、非常に低い復号遅延の利点を付加して、復号性能を著しく向上させる。
論文 参考訳(メタデータ) (2022-12-20T13:41:27Z) - Adaptive Sampling for Best Policy Identification in Markov Decision
Processes [79.4957965474334]
本稿では,学習者が生成モデルにアクセスできる場合の,割引マルコフ決定(MDP)における最良の政治的識別の問題について検討する。
最先端アルゴリズムの利点を論じ、解説する。
論文 参考訳(メタデータ) (2020-09-28T15:22:24Z) - A Gradient-Aware Search Algorithm for Constrained Markov Decision
Processes [9.728259735794987]
まず,有限CMDPの双対線型計画における最適化目標が,ラグランジュのペナルティ乗算器に対する一方向線型凸関数であることを証明した。
有限CMDPの最適状態値関数とラグランジュペナルティ乗算器を求めるために,PWLC構造を利用した2レベルグラディエント・アウェア・サーチ(GAS)アルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-05-07T19:38:09Z) - Determinantal Point Processes in Randomized Numerical Linear Algebra [80.27102478796613]
数値線形代数(RandNLA)は、科学計算、データサイエンス、機械学習などで発生する行列問題に対する改良されたアルゴリズムを開発するためにランダム性を使用する。
最近の研究により、DPPとRandNLAの間の深い実りある関係が明らかになり、新たな保証とアルゴリズムの改善につながった。
論文 参考訳(メタデータ) (2020-05-07T00:39:52Z) - ADMM-based Decoder for Binary Linear Codes Aided by Deep Learning [40.25456611849273]
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。
論文 参考訳(メタデータ) (2020-02-14T03:32:14Z) - 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。