論文の概要: Deep unfolding of the weighted MMSE beamforming algorithm
- arxiv url: http://arxiv.org/abs/2006.08448v1
- Date: Mon, 15 Jun 2020 14:51:20 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-21 05:11:41.665812
- Title: Deep unfolding of the weighted MMSE beamforming algorithm
- Title（参考訳）: 重み付きMMSEビームフォーミングアルゴリズムの深部展開
- Authors: Lissy Pellaco and Mats Bengtsson and Joakim Jald\'en
- Abstract要約: MISOダウンリンクチャネルに対するWMMSEアルゴリズムに対する深部展開の新たな適用法を提案する。
深層展開は、自然に専門家の知識を取り入れており、即時かつしっかりとしたアーキテクチャ選択の利点、トレーニング可能なパラメータの少ないこと、説明可能性の向上がある。
シミュレーションにより、ほとんどの設定において、展開されたWMMSEは、一定回数の反復に対して、WMMSEよりも優れているか、等しく動作することを示す。
- 参考スコア（独自算出の注目度）: 9.518010235273783
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Downlink beamforming is a key technology for cellular networks. However,
computing the transmit beamformer that maximizes the weighted sum rate subject
to a power constraint is an NP-hard problem. As a result, iterative algorithms
that converge to a local optimum are used in practice. Among them, the weighted
minimum mean square error (WMMSE) algorithm has gained popularity, but its
computational complexity and consequent latency has motivated the need for
lower-complexity approximations at the expense of performance. Motivated by the
recent success of deep unfolding in the trade-off between complexity and
performance, we propose the novel application of deep unfolding to the WMMSE
algorithm for a MISO downlink channel. The main idea consists of mapping a
fixed number of iterations of the WMMSE algorithm into trainable neural network
layers, whose architecture reflects the structure of the original algorithm.
With respect to traditional end-to-end learning, deep unfolding naturally
incorporates expert knowledge, with the benefits of immediate and well-grounded
architecture selection, fewer trainable parameters, and better explainability.
However, the formulation of the WMMSE algorithm, as described in Shi et al., is
not amenable to be unfolded due to a matrix inversion, an eigendecomposition,
and a bisection search performed at each iteration. Therefore, we present an
alternative formulation that circumvents these operations by resorting to
projected gradient descent. By means of simulations, we show that, in most of
the settings, the unfolded WMMSE outperforms or performs equally to the WMMSE
for a fixed number of iterations, with the advantage of a lower computational
load.
- Abstract（参考訳）: ダウンリンクビームフォーミングはセルラーネットワークの重要な技術である。
しかし、電力制約を受ける重み付け和率を最大化する送信ビームフォーマの計算はNPハード問題である。
結果として、局所最適化に収束する反復アルゴリズムが実際に用いられる。
中でも、重み付き最小平均二乗誤差(WMMSE)アルゴリズムは人気があるが、その計算複雑性とそれに伴うレイテンシは、性能を犠牲にして低複雑さの近似の必要性を動機付けている。
複雑性と性能のトレードオフにおいて,近年の深部展開の成功に触発されて,MISOダウンリンクチャネルのためのWMMSEアルゴリズムに深部展開の新たな適用法を提案する。
主なアイデアは、WMMSEアルゴリズムの一定回数の反復をトレーニング可能なニューラルネットワーク層にマッピングすることであり、そのアーキテクチャは元のアルゴリズムの構造を反映している。
従来のエンド・ツー・エンドの学習に関しては、深層展開はエキスパートの知識を自然に取り入れており、即時かつしっかりとしたアーキテクチャ選択の利点、トレーニング可能なパラメータの削減、説明可能性の向上といった利点がある。
しかし、shi等で述べられているように、wmmseアルゴリズムの定式化は、行列の反転、固有デコンポジション、および各イテレーションで実行される二分探索のために展開することができない。
そこで本研究では,これらの操作を投影勾配降下に頼って回避する別の定式化を提案する。
シミュレーションにより、ほとんどの設定において、展開されたWMMSEは、より少ない計算負荷の利点を生かして、一定回数の繰り返しにおいてWMMSEに等しく性能を発揮することを示す。
関連論文リスト
- Federated Conditional Stochastic Optimization [110.513884892319]
条件付き最適化は、不変学習タスク、AUPRC、AMLなど、幅広い機械学習タスクで見られる。
本稿では,分散フェデレーション学習のためのアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-10-04T01:47:37Z) - High-Speed Resource Allocation Algorithm Using a Coherent Ising Machine
for NOMA Systems [3.6406488220483326]
NOMA手法の有効性を十分に活用する上で重要な課題は、リソース割り当ての最適化である。
NOMAシステムにおけるチャネル割り当てのためのコヒーレントIsing Machine(CIM)に基づく最適化手法を提案する。
提案手法は, 高速化と最適解の両面において優れていることを示す。
論文 参考訳（メタデータ） (2022-12-03T09:22:54Z) - Improved Algorithms for Neural Active Learning [74.89097665112621]
非パラメトリックストリーミング設定のためのニューラルネットワーク(NN)ベースの能動学習アルゴリズムの理論的および経験的性能を改善する。
本研究では,SOTA(State-of-the-art (State-the-art)) 関連研究で使用されるものよりも,アクティブラーニングに適する人口減少を最小化することにより,2つの後悔の指標を導入する。
論文 参考訳（メタデータ） (2022-10-02T05:03:38Z) - 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) - Improving Gradient Flow with Unrolled Highway Expectation Maximization [0.9539495585692008]
本稿では,一般化EM (GEM) アルゴリズムの非順序反復からなるハイウェイ予測最大化ネットワーク (HEMNet) を提案する。
HEMNetは、スケールしたスキップ接続、あるいはハイウェイを、非ロールアーキテクチャの深さに沿って備えており、バックプロパゲーション時の勾配フローが改善されている。
複数のセマンティクスセグメンテーションベンチマークにおいて有意な改善を達成し,hemnetが勾配減衰を効果的に緩和することを示す。
論文 参考訳（メタデータ） (2020-12-09T09:11:45Z) - Efficient power allocation using graph neural networks and deep
algorithm unfolding [40.78748956518785]
単一ホップアドホック無線ネットワークにおける最適電力配分の問題について検討する。
アルゴリズム重み付き最小二乗誤差(WMMSE)の展開に着想を得たハイブリッドニューラルネットワークアーキテクチャを提案する。
UWMMSEはWMMSEに匹敵する堅牢性を達成し,計算複雑性を著しく低減することを示す。
論文 参考訳（メタデータ） (2020-11-18T05:28:24Z) - 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) - 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) - Hyperspectral Unmixing Network Inspired by Unfolding an Optimization
Problem [2.4016406737205753]
ハイパースペクトル画像(HSI)アンミックスタスクは本質的に逆問題であり、最適化アルゴリズムによってよく解決される。
本稿では,U-ADMM-AENetとU-ADMM-BUNetという2つの新しいネットワークアーキテクチャを提案する。
本研究は,機械学習の文献において,展開された構造が対応する解釈を見つけることを示し,提案手法の有効性をさらに示すものである。
論文 参考訳（メタデータ） (2020-05-21T18:49:45Z) - Communication-Efficient Distributed Stochastic AUC Maximization with
Deep Neural Networks [50.42141893913188]
本稿では,ニューラルネットワークを用いた大規模AUCのための分散変数について検討する。
我々のモデルは通信ラウンドをはるかに少なくし、理論上はまだ多くの通信ラウンドを必要としています。
いくつかのデータセットに対する実験は、我々の理論の有効性を示し、我々の理論を裏付けるものである。
論文 参考訳（メタデータ） (2020-05-05T18:08:23Z)
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。