論文の概要: Deep Multi-Task Learning for Cooperative NOMA: System Design and Principles

• arxiv url: http://arxiv.org/abs/2007.13495v1
• Date: Mon, 27 Jul 2020 12:38:37 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-06 11:55:59.203734
• Title: Deep Multi-Task Learning for Cooperative NOMA: System Design and Principles
• Title（参考訳）: 協調ノマのための深層マルチタスク学習:システム設計と原理
• Authors: Yuxin Lu, Peng Cheng, Zhuo Chen, Wai Ho Mow, Yonghui Li, and Branka Vucetic
• Abstract要約: 我々は,近年のディープラーニング(DL)の進歩を反映した,新しいディープ・コラボレーティブなNOMAスキームを開発する。 我々は,システム全体を包括的に最適化できるように,新しいハイブリッドカスケードディープニューラルネットワーク(DNN)アーキテクチャを開発した。
• 参考スコア（独自算出の注目度）: 52.79089414630366
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Envisioned as a promising component of the future wireless Internet-of-Things (IoT) networks, the non-orthogonal multiple access (NOMA) technique can support massive connectivity with a significantly increased spectral efficiency. Cooperative NOMA is able to further improve the communication reliability of users under poor channel conditions. However, the conventional system design suffers from several inherent limitations and is not optimized from the bit error rate (BER) perspective. In this paper, we develop a novel deep cooperative NOMA scheme, drawing upon the recent advances in deep learning (DL). We develop a novel hybrid-cascaded deep neural network (DNN) architecture such that the entire system can be optimized in a holistic manner. On this basis, we construct multiple loss functions to quantify the BER performance and propose a novel multi-task oriented two-stage training method to solve the end-to-end training problem in a self-supervised manner. The learning mechanism of each DNN module is then analyzed based on information theory, offering insights into the proposed DNN architecture and its corresponding training method. We also adapt the proposed scheme to handle the power allocation (PA) mismatch between training and inference and incorporate it with channel coding to combat signal deterioration. Simulation results verify its advantages over orthogonal multiple access (OMA) and the conventional cooperative NOMA scheme in various scenarios.
• Abstract（参考訳）: 将来のワイヤレスiot(internet-of-things)ネットワークの有望なコンポーネントとして想定されたnon-orthogonal multiple access(noma)技術は、スペクトル効率を大幅に向上した大規模な接続をサポートすることができる。 協調NOMAは、チャンネル条件の悪いユーザのコミュニケーション信頼性をさらに向上させることができる。 しかし、従来のシステム設計にはいくつかの制約があり、BER(bit error rate)の観点から最適化されていない。 本稿では,最近の深層学習(dl)の進歩をふまえて,新しい深層協調ノマスキームを開発した。 我々は,システム全体を包括的に最適化できるように,新しいハイブリッドカスケードディープニューラルネットワーク(DNN)アーキテクチャを開発した。 そこで本研究では,BER性能を定量化するために複数の損失関数を構築し,マルチタスク指向の2段階トレーニング手法を提案する。 次に,各DNNモジュールの学習機構を情報理論に基づいて解析し,提案したDNNアーキテクチャとその学習方法に関する知見を提供する。 また,提案手法をトレーニングと推論間の電力割当(pa)ミスマッチに対応させ,信号劣化対策としてチャネル符号化を組み込む。 シミュレーションの結果, 直交多重アクセス(OMA)と従来の協調型NOMA方式の利点を様々なシナリオで検証した。

関連論文リスト

• Deep Learning Based Joint Multi-User MISO Power Allocation and Beamforming Design [29.295165146832097]
  マルチユーザ・マルチインプット・シングルアウトプット(MU-MISO)システムのための非教師なし深層学習に基づくジョイントパワーアロケーションとビームフォーミング設計を提案する。 NNBF-Pとゼロ強制ビームフォーミング(ZFBF)、最小平均二乗誤差(MMSE)ビームフォーミング、NNBFの性能を比較するための多様な設定実験を行った。
  論文  参考訳（メタデータ） (2024-06-12T16:21:11Z)
• Deep Learning Based Uplink Multi-User SIMO Beamforming Design [32.00286337259923]
  5G無線通信ネットワークは、高いデータレート、広範なカバレッジ、最小レイテンシ、エネルギー効率のパフォーマンスを提供する。 計算複雑性や動的条件に適応する能力に関して、従来のアプローチには欠点がある。 本稿では,アップリンク受信型マルチユーザ入力多重出力(MU-SIMO)ビームフォーミングの設計のための,NNBFと呼ばれる新しい教師なしディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-28T17:04:41Z)
• A Multi-Head Ensemble Multi-Task Learning Approach for Dynamical Computation Offloading [62.34538208323411]
  共有バックボーンと複数の予測ヘッド(PH)を組み合わせたマルチヘッドマルチタスク学習(MEMTL)手法を提案する。 MEMTLは、追加のトレーニングデータを必要とせず、推測精度と平均平方誤差の両方でベンチマーク手法より優れている。
  論文  参考訳（メタデータ） (2023-09-02T11:01:16Z)
• Predictive GAN-powered Multi-Objective Optimization for Hybrid Federated Split Learning [56.125720497163684]
  無線ネットワークにおけるハイブリッド・フェデレーション・スプリット・ラーニング・フレームワークを提案する。 ラベル共有のないモデル分割のための並列計算方式を設計し,提案方式が収束速度に与える影響を理論的に解析する。
  論文  参考訳（メタデータ） (2022-09-02T10:29:56Z)
• Applications of Deep Learning to the Design of Enhanced Wireless Communication Systems [0.0]
  ディープラーニング(DL)ベースのシステムは、抽出可能なモデルが存在しないような、ますます複雑なタスクを処理できる。 この論文は、物理層におけるDLの潜在能力を解き放つための様々なアプローチを比較することを目的としている。
  論文  参考訳（メタデータ） (2022-05-02T21:02:14Z)
• A Differential Game Theoretic Neural Optimizer for Training Residual Networks [29.82841891919951]
  本稿では、残差接続と畳み込み層の両方を受け入れる一般化微分動的プログラミング(DDP)ニューラルアーキテクチャを提案する。 得られた最適制御表現は、トレーニング残余ネットワークを、状態拡張システム上での協調的軌道最適化と解釈できるゲーム論的視点を許容する。
  論文  参考訳（メタデータ） (2020-07-17T10:19:17Z)
• An Ode to an ODE [78.97367880223254]
  我々は、O(d) 群上の行列フローに応じて主フローの時間依存パラメータが進化する ODEtoODE と呼ばれるニューラルODE アルゴリズムの新しいパラダイムを提案する。 この2つの流れのネストされたシステムは、訓練の安定性と有効性を提供し、勾配の消滅・爆発問題を確実に解決する。
  論文  参考訳（メタデータ） (2020-06-19T22:05:19Z)
• 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)
• 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。