論文の概要: Deepcode and Modulo-SK are Designed for Different Settings
- arxiv url: http://arxiv.org/abs/2008.07997v1
- Date: Tue, 18 Aug 2020 15:52:19 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-27 22:17:04.382551
- Title: Deepcode and Modulo-SK are Designed for Different Settings
- Title（参考訳）: DeepcodeとModulo-SKは異なる設定のために設計されている
- Authors: Hyeji Kim, Yihan Jiang, Sreeram Kannan, Sewoong Oh, Pramod Viswanath
- Abstract要約: 2つのスキームは全く異なる設定で設計・評価されていることを示す。
Deepcodeは、フィードバックがうるさいときのパラメータ化の自然な選択よりも、SKの最適化性能を優先している。
- 参考スコア（独自算出の注目度）: 53.459770287618745
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We respond to [1] which claimed that "Modulo-SK scheme outperforms Deepcode
[2]". We demonstrate that this statement is not true: the two schemes are
designed and evaluated for entirely different settings. DeepCode is designed
and evaluated for the AWGN channel with (potentially delayed) uncoded output
feedback. Modulo-SK is evaluated on the AWGN channel with coded feedback and
unit delay. [1] also claimed an implementation of Schalkwijk and Kailath (SK)
[3] which was numerically stable for any number of information bits and
iterations. However, we observe that while their implementation does marginally
improve over ours, it also suffers from a fundamental issue with precision.
Finally, we show that Deepcode dominates the optimized performance of SK, over
a natural choice of parameterizations when the feedback is noisy.
- Abstract（参考訳）: 我々は「Modulo-SKスキームはDeepcode [2]より優れている」と主張した[1]に応答する。
この2つのスキームは完全に異なる設定で設計され、評価されています。
DeepCodeは、(潜在的に遅れた)未コーディングの出力フィードバックでAWGNチャネルの設計と評価を行う。
モデュロSKは、コード化されたフィードバックとユニット遅延でAWGNチャネル上で評価される。
[1] は、任意の情報ビットやイテレーションに対して数値的に安定な Schalkwijk と Kailath (SK) [3] の実装も主張した。
しかし、その実装は我々のものよりもわずかに改善されているものの、正確性に関する根本的な問題も抱えているのである。
最後に、フィードバックがうるさいときのパラメータ化の自然な選択よりも、DeepcodeがSKの最適化性能を支配していることを示す。
関連論文リスト
- Collective Bit Flipping-Based Decoding of Quantum LDPC Codes [0.6554326244334866]
可変次数-3(dv-3)QLDPC符号の繰り返し復号化による誤り訂正性能と復号遅延の両方を改善した。
我々の復号方式は、ビットフリップ(BF)デコーディングの修正版、すなわち2ビットビットフリップ(TBF)デコーディングを適用することに基づいている。
論文 参考訳（メタデータ） (2024-06-24T18:51:48Z) - Bit-flipping Decoder Failure Rate Estimation for (v,w)-regular Codes [84.0257274213152]
並列ビットフリップデコーダのDFRを高精度に推定する手法を提案する。
本研究は,本症候群のモデル化およびシミュレーションによる重み比較,第1イテレーション終了時の誤りビット分布の誤検出,復号化復号化率(DFR)について検証した。
論文 参考訳（メタデータ） (2024-01-30T11:40:24Z) - Fault-tolerant quantum architectures based on erasure qubits [49.227671756557946]
我々は、支配的なノイズを既知の場所での消去に効率よく変換することで、消去量子ビットの考え方を利用する。
消去量子ビットと最近導入されたFloquet符号に基づくQECスキームの提案と最適化を行う。
以上の結果から, 消去量子ビットに基づくQECスキームは, より複雑であるにもかかわらず, 標準手法よりも著しく優れていることが示された。
論文 参考訳（メタデータ） (2023-12-21T17:40:18Z) - Practical Conformer: Optimizing size, speed and flops of Conformer for
on-Device and cloud ASR [67.63332492134332]
我々は、デバイス上の制約を満たすのに十分小さく、TPUを高速に推論できる最適化されたコンバータを設計する。
提案するエンコーダは、デバイス上では強力なスタンドアロンエンコーダとして、また高性能なASRパイプラインの第1部として利用することができる。
論文 参考訳（メタデータ） (2023-03-31T23:30:48Z) - Finite Rate QLDPC-GKP Coding Scheme that Surpasses the CSS Hamming Bound [9.466536273518134]
GottesmanKitaev-Preskill(GKP)コードを汎用量子低密度パリティチェック(QLDPC)コードで活用する方法を示す。
我々はまた、GKPアナログ情報の下でチャネル容量に関するこの研究から生じる、新しい基本的で実践的な疑問についても論じる。
論文 参考訳（メタデータ） (2021-11-13T03:42:12Z) - Dense Coding with Locality Restriction for Decoder: Quantum Encoders vs.
Super-Quantum Encoders [67.12391801199688]
我々は、デコーダに様々な局所性制限を課すことにより、濃密な符号化について検討する。
このタスクでは、送信者アリスと受信機ボブが絡み合った状態を共有する。
論文 参考訳（メタデータ） (2021-09-26T07:29:54Z) - Deep Extended Feedback Codes [9.112162560071937]
DEFアーキテクチャのエンコーダは情報メッセージを送信し、その後にパリティシンボルのシーケンスが続く。
DEFコードはDeepcodeをいくつかの方法で一般化し、より良いエラー修正機能を提供します。
性能評価では、DEF符号はフィードバックのあるチャンネルの他のDNN符号よりも優れた性能を示す。
論文 参考訳（メタデータ） (2021-05-04T08:41:14Z) - Deep-Learning Based Blind Recognition of Channel Code Parameters over
Candidate Sets under AWGN and Multi-Path Fading Conditions [13.202747831999414]
本稿では、受信した符号化信号だけを解析することで、候補集合上のチャネルコードパラメータを復元する問題を考察する。
本稿では、任意の符号化方式のチャネルコードパラメータを識別できるディープラーニングベースのソリューションを提案する。
論文 参考訳（メタデータ） (2020-09-16T16:10:39Z) - Simple Modulo can Significantly Outperform Deep Learning-based Deepcode [20.965610734723636]
Deepcodeは先日提案された,AWGNチャネル上のコミュニケーションのためのDeep Learningベースのスキームで,ノイズの多いフィードバックを備えている。
完全決定論的モデュロSK(ディザリングなしで)がDeepcodeより優れていることを示す。
論文 参考訳（メタデータ） (2020-08-04T16:43:26Z) - Composed Fine-Tuning: Freezing Pre-Trained Denoising Autoencoders for
Improved Generalization [93.95299500688286]
本稿では,出力の妥当性制約を考慮した構造化出力の予測問題に焦点をあてる。
本稿では,事前学習したデノイザを組み込んだ予測器を微調整するファインチューニングを提案する。
2層ReLUネットワークの場合、構成した微調整が予測器の複雑さを著しく低減することを示す。
論文 参考訳（メタデータ） (2020-06-29T17:14:35Z)
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。