Fugu-MT 論文翻訳(概要): Graph Neural Networks for Massive MIMO Detection

論文の概要: Graph Neural Networks for Massive MIMO Detection

arxiv url: http://arxiv.org/abs/2007.05703v1
Date: Sat, 11 Jul 2020 07:34:56 GMT
ステータス: 処理完了
システム内更新日: 2022-11-11 13:44:31.188803
Title: Graph Neural Networks for Massive MIMO Detection
Title（参考訳）: 大規模MIMO検出のためのグラフニューラルネットワーク
Authors: Andrea Scotti, Nima N. Moghadam, Dong Liu, Karl Gafvert, Jinliang Huang
Abstract要約: 我々は,無線通信におけるMIMO(Multiple-input multiple-output)検出の推測タスクに対するメッセージパッシングソリューションを学習する。我々は、マルコフ確率場(MRF)に基づくグラフィカルモデルを採用し、送信されたシンボルに対して一様であると仮定すると、信念伝播(BP)が貧弱な結果をもたらす。
参考スコア（独自算出の注目度）: 8.516590865173407
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this paper, we innovately use graph neural networks (GNNs) to learn a message-passing solution for the inference task of massive multiple multiple-input multiple-output (MIMO) detection in wireless communication. We adopt a graphical model based on the Markov random field (MRF) where belief propagation (BP) yields poor results when it assumes a uniform prior over the transmitted symbols. Numerical simulations show that, under the uniform prior assumption, our GNN-based MIMO detection solution outperforms the minimum mean-squared error (MMSE) baseline detector, in contrast to BP. Furthermore, experiments demonstrate that the performance of the algorithm slightly improves by incorporating MMSE information into the prior.
Abstract（参考訳）: 本稿では,無線通信におけるMIMO(Multiple-input multiple-output)検出の推測タスクに対して,グラフニューラルネットワーク(GNN)を用いてメッセージパスソリューションを学習する。我々は、マルコフ確率場(MRF)に基づくグラフィカルモデルを採用し、送信されたシンボルに対して一様となると、信念伝播(BP)が貧弱な結果をもたらす。数値シミュレーションにより、GNNに基づくMIMO検出法は、BPと対照的に最小平均二乗誤差(MMSE)ベースライン検出器より優れていることが示された。さらに,MMSE情報を事前に組み込むことにより,アルゴリズムの性能がわずかに向上することを示す。

関連論文リスト

Deep Graph Unfolding for Beamforming in MU-MIMO Interference Networks [37.32261787567901]
マルチユーザ複数出力シングルホップ無線アドホック干渉ネットワークにおいて,ビームフォーミングを効率よく,ほぼ最適に行うソリューションを開発した。この問題に対する古典的アプローチである重み付き最小平均二乗誤差(WMMSE)法と,アルゴリズムの展開原理に着想を得て,MU-MIMOのための展開WMMSEを提案する。
論文参考訳（メタデータ） (2023-04-02T04:34:00Z)
Signal Detection in MIMO Systems with Hardware Imperfections: Message Passing on Neural Networks [101.59367762974371]
本稿では,Multi-Input-multiple-output (MIMO)通信システムにおける信号検出について検討する。パイロット信号が限られているディープニューラルネットワーク(DNN)のトレーニングは困難であり、実用化を妨げている。我々は、ユニタリ近似メッセージパッシング(UAMP)アルゴリズムを利用して、効率的なメッセージパッシングに基づくベイズ信号検出器を設計する。
論文参考訳（メタデータ） (2022-10-08T04:32:58Z)
Edge Graph Neural Networks for Massive MIMO Detection [15.970981766599035]
無線通信システムにおいて、MIMO(Massive Multiple-Input Multiple-Out)検出は重要な問題である。従来のBreief Propagation(BP)検出器はループグラフでは性能が良くないが、最近のグラフニューラルネットワーク(GNN)ベースの手法はBPの欠点を克服し、優れた性能を実現することができる。
論文参考訳（メタデータ） (2022-05-22T08:01:47Z)
SignalNet: A Low Resolution Sinusoid Decomposition and Estimation Network [79.04274563889548]
本稿では,正弦波数を検出するニューラルネットワークアーキテクチャであるSignalNetを提案する。基礎となるデータ分布と比較して,ネットワークの結果を比較するための最悪の学習しきい値を導入する。シミュレーションでは、我々のアルゴリズムは常に3ビットデータのしきい値を超えることができるが、しばしば1ビットデータのしきい値を超えることはできない。
論文参考訳（メタデータ） (2021-06-10T04:21:20Z)
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)
Data-Driven Learning of Geometric Scattering Networks [74.3283600072357]
最近提案された幾何散乱変換の緩和に基づく新しいグラフニューラルネットワーク(GNN)モジュールを提案する。我々の学習可能な幾何散乱(LEGS)モジュールは、ウェーブレットの適応的なチューニングを可能にし、学習された表現に帯域通過の特徴が現れるように促す。
論文参考訳（メタデータ） (2020-10-06T01:20:27Z)
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)
Contextual-Bandit Anomaly Detection for IoT Data in Distributed Hierarchical Edge Computing [65.78881372074983]
IoTデバイスは複雑なディープニューラルネットワーク(DNN)モデルにはほとんど余裕がなく、異常検出タスクをクラウドにオフロードすることは長い遅延を引き起こす。本稿では,分散階層エッジコンピューティング(HEC)システムを対象とした適応型異常検出手法のデモと構築を行う。提案手法は,検出タスクをクラウドにオフロードした場合と比較して,精度を犠牲にすることなく検出遅延を著しく低減することを示す。
論文参考訳（メタデータ） (2020-04-15T06:13:33Z)
A Modular Neural Network Based Deep Learning Approach for MIMO Signal Detection [12.769554897969307]
人工ニューラルネットワーク(ANN)支援多重出力多重出力(MIMO)信号検出は、ANN支援損失ベクトル量子化(VQ)としてモデル化できる我々は、MNNetと呼ばれる新しいモジュラーニューラルネットワークベースのアプローチを提案し、ネットワーク全体が事前に定義されたANNモジュールの集合によって形成される。シミュレーションの結果、MNNetアプローチは、様々なケースにおいて、ほぼ最適性能でディープラーニング能力を大幅に改善することが示された。
論文参考訳（メタデータ） (2020-04-01T12:56:38Z)
Efficient Probabilistic Logic Reasoning with Graph Neural Networks [63.099999467118245]
マルコフ論理ネットワーク(MLN)は、多くの知識グラフ問題に対処するために用いられる。 MLNの推論は計算集約的であり、MLNの産業規模での応用は非常に困難である。本稿では,表現力とモデルの単純さとのバランスのよいグラフニューラルネット(GNN)モデルであるExpressGNNを提案する。
論文参考訳（メタデータ） (2020-01-29T23:34:36Z)

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。