論文の概要: Configuration Learning in Underwater Optical Links

• arxiv url: http://arxiv.org/abs/2008.01221v1
• Date: Mon, 3 Aug 2020 22:06:53 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-03 07:15:53.864189
• Title: Configuration Learning in Underwater Optical Links
• Title（参考訳）: 水中光リンクにおける構成学習
• Authors: Xueyuan Zhao, Zhuoran Qi, Dario Pompili
• Abstract要約: 本報告では,構成学習という新たな研究課題について述べる。 構成学習問題に対処する新しいアルゴリズムを提案する。 提案する構成学習フレームワークは,信号処理および通信における幅広いトピックに対して,さらに検討し,適用することができる。
• 参考スコア（独自算出の注目度）: 7.552732594077298
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A new research problem named configuration learning is described in this work. A novel algorithm is proposed to address the configuration learning problem. The configuration learning problem is defined to be the optimization of the Machine Learning (ML) classifier to maximize the ML performance metric optimizing the transmitter configuration in the signal processing/communication systems. Specifically, this configuration learning problem is investigated in an underwater optical communication system with signal processing performance metric of the physical-layer communication throughput. A novel algorithm is proposed to perform the configuration learning by alternating optimization of key design parameters and switching between several Recurrent Neural Network (RNN) classifiers dependant on the learning objective. The proposed ML algorithm is validated with the datasets of an underwater optical communication system and is compared with competing ML algorithms. Performance results indicate that the proposal outperforms the competing algorithms for binary and multi-class configuration learning in underwater optical communication datasets. The proposed configuration learning framework can be further investigated and applied to a broad range of topics in signal processing and communications.
• Abstract（参考訳）: 本稿では,構成学習という新たな研究課題について述べる。 構成学習問題に対処するために,新しいアルゴリズムを提案する。 構成学習問題は、信号処理/通信システムにおける送信機構成を最適化するMLパフォーマンスメトリックを最大化するために、機械学習(ML)分類器の最適化として定義される。 具体的には, 物理層通信スループットの信号処理性能指標を用いた水中光通信システムにおいて, この構成学習問題を検討した。 鍵設計パラメータの最適化を交互に行い、学習目的に依存する複数のrecurrent neural network (rnn)分類器を切り替えることで構成学習を行う新しいアルゴリズムを提案する。 提案アルゴリズムは水中光通信システムのデータセットを用いて検証し,競合するMLアルゴリズムと比較する。 性能評価の結果,水中光通信データセットにおけるバイナリおよびマルチクラス構成学習の競合アルゴリズムよりも優れていた。 提案する構成学習フレームワークは、信号処理および通信の幅広いトピックに対して、さらに調査および適用することができる。

関連論文リスト

• A Contrastive Learning Based Convolutional Neural Network for ERP Brain-Computer Interfaces [3.8300351196425146]
  クロスオブジェクトERP信号検出は、ERP信号成分の複雑さのために困難である。 本稿では,マルチスケールの時間的特徴と空間的特徴を抽出するインセプション・モジュールを提案する。
  論文  参考訳（メタデータ） (2024-07-02T08:20:52Z)
• Tuning structure learning algorithms with out-of-sample and resampling strategies [6.85316573653194]
  構造学習のためのサンプル外チューニングは、構造学習のための最適なハイパーパラメータ構成を推定するために、サンプル外および再サンプリング戦略を採用する。 OTSLを用いることで,最先端技術と比較してグラフィカルな精度が向上することを示す。
  論文  参考訳（メタデータ） (2023-06-24T10:39:44Z)
• Faster Adaptive Momentum-Based Federated Methods for Distributed Composition Optimization [14.579475552088692]
  非分散合成問題の解法として,高速なフェデレート合成最適化アルゴリズム(MFCGDとAdaMFCGD)を提案する。 特に、我々の適応アルゴリズム(AdaMFCGD)は、様々な適応学習率を柔軟に組み込むために統一適応行列を使用する。
  論文  参考訳（メタデータ） (2022-11-03T15:17:04Z)
• Multi-Resource Allocation for On-Device Distributed Federated Learning Systems [79.02994855744848]
  本研究は,デバイス上の分散フェデレーション学習(FL)システムにおいて,レイテンシとエネルギー消費の重み付け和を最小化する分散マルチリソース割り当て方式を提案する。 システム内の各モバイルデバイスは、指定された領域内でモデルトレーニングプロセスを実行し、それぞれパラメータの導出とアップロードを行うための計算と通信資源を割り当てる。
  論文  参考訳（メタデータ） (2022-11-01T14:16:05Z)
• Learning with Multigraph Convolutional Filters [153.20329791008095]
  MSPモデルに基づいて情報を処理する階層構造として多グラフ畳み込みニューラルネットワーク(MGNN)を導入する。 また,MGNNにおけるフィルタ係数のトラクタブルな計算手法と,レイヤ間で転送される情報の次元性を低減するための低コストな手法を開発した。
  論文  参考訳（メタデータ） (2022-10-28T17:00:50Z)
• 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)
• Deep-Learning Based Linear Precoding for MIMO Channels with Finite-Alphabet Signaling [0.5076419064097732]
  本稿では,Multiple-Input Multi-output (MIMO)通信チャネルにおける線形プリコーディングの問題について検討する。 既存の解は通常、星座に制約された相互情報のコストのかかる計算のために計算の複雑さに悩まされる。 ディープラーニングに基づくデータ駆動型アプローチが,この問題に対処するために提案されている。
  論文  参考訳（メタデータ） (2021-11-05T13:48:45Z)
• Reconfigurable Intelligent Surface Assisted Mobile Edge Computing with Heterogeneous Learning Tasks [53.1636151439562]
  モバイルエッジコンピューティング(MEC)は、AIアプリケーションに自然なプラットフォームを提供します。 再構成可能なインテリジェントサーフェス(RIS)の助けを借りて、MECで機械学習タスクを実行するインフラストラクチャを提示します。 具体的には,モバイルユーザの送信パワー,基地局のビームフォーミングベクトル,risの位相シフト行列を共同で最適化することにより,参加ユーザの学習誤差を最小化する。
  論文  参考訳（メタデータ） (2020-12-25T07:08:50Z)
• 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)
• Channel Assignment in Uplink Wireless Communication using Machine Learning Approach [54.012791474906514]
  本稿では,アップリンク無線通信システムにおけるチャネル割り当て問題について検討する。 我々の目標は、整数チャネル割り当て制約を受ける全ユーザの総和率を最大化することです。 計算複雑性が高いため、機械学習アプローチは計算効率のよい解を得るために用いられる。
  論文  参考訳（メタデータ） (2020-01-12T15:54:20Z)

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。