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

• Joint Transmit and Pinching Beamforming for PASS: Optimization-Based or Learning-Based? [89.05848771674773]
  MISO (Multiple-input Single-output) フレームワークを提案する。 それは複数の導波路で構成されており、多数の低コストアンテナ(PA)を備えている。 PAの位置は、大規模パスと空間の両方にまたがるように再構成することができる。
  論文  参考訳（メタデータ） (2025-02-12T18:54:10Z)
• Factor Graph Optimization of Error-Correcting Codes for Belief Propagation Decoding [62.25533750469467]
  低密度パリティ・チェック (LDPC) コードは、他の種類のコードに対していくつかの利点がある。 提案手法は,既存の人気符号の復号性能を桁違いに向上させる。
  論文  参考訳（メタデータ） (2024-06-09T12:08:56Z)
• Reduction from sparse LPN to LPN, Dual Attack 3.0 [1.9106435311144374]
  全く異なるアプローチに依存する RLPN-decoding と呼ばれる新しいアルゴリズムが導入された。 コードレートが 0.42 より小さい場合、ISD と RLPN を著しく上回っている。 このアルゴリズムは、格子ベースの暗号における最近の二重攻撃の従兄弟であるコードベース暗号と見なすことができる。
  論文  参考訳（メタデータ） (2023-12-01T17:35:29Z)
• 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)
• 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)
• Deep Learning Based Sphere Decoding [15.810396655155975]
  深層ニューラルネットワーク(DNN)により,超球面の半径を学習する深層学習(DL)に基づく球面復号アルゴリズムを提案する。 提案アルゴリズムによって達成された性能は、幅広い信号-雑音比(SNR)に対して最適極大復号法(MLD)に非常に近い。 計算複雑性は、既存の球デコード変種と比較して大幅に減少している。
  論文  参考訳（メタデータ） (2018-07-06T03:18:35Z)

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。