論文の概要: Decoding Polar Codes with Reinforcement Learning
- arxiv url: http://arxiv.org/abs/2009.06796v1
- Date: Tue, 15 Sep 2020 00:05:38 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-18 06:57:33.741296
- Title: Decoding Polar Codes with Reinforcement Learning
- Title(参考訳): 強化学習による極性符号の復号化
- Authors: Nghia Doan, Seyyed Ali Hashemi and Warren Gross
- Abstract要約: 強化学習における多腕バンディット問題として因子グラフ置換選択を定式化する。
本稿では,オンライン学習エージェントとして機能するデコーダを提案する。
- 参考スコア(独自算出の注目度): 7.489486222215916
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper we address the problem of selecting factor-graph permutations
of polar codes under belief propagation (BP) decoding to significantly improve
the error-correction performance of the code. In particular, we formalize the
factor-graph permutation selection as the multi-armed bandit problem in
reinforcement learning and propose a decoder that acts like an online-learning
agent that learns to select the good factor-graph permutations during the
course of decoding. We use state-of-the-art algorithms for the multi-armed
bandit problem and show that for a 5G polar codes of length 128 with 64
information bits, the proposed decoder has an error-correction performance gain
of around 0.125 dB at the target frame error rate of 10^{-4}, when compared to
the approach that randomly selects the factor-graph permutations.
- Abstract(参考訳): 本稿では,信念伝達(bp)デコード下での極性符号の因子グラフ置換を選択する問題を解決し,符号の誤り訂正性能を大幅に向上させる。
特に,強化学習における多腕バンディット問題として因子グラフ置換の選択を定式化し,デコード中によい因子グラフ置換を選択することを学ぶオンライン学習エージェントとして機能するデコーダを提案する。
マルチアームバンディット問題に対して最先端アルゴリズムを用い,64情報ビット長128の5g極符号に対して,提案するデコーダは10^{-4}の目標フレーム誤り率で約0.125dbの誤り訂正性能向上率を示す。
関連論文リスト
- Factor Graph Optimization of Error-Correcting Codes for Belief Propagation Decoding [62.25533750469467]
低密度パリティ・チェック符号は、他の種類の符号よりもいくつかの利点がある。
提案手法は,既存の人気符号の復号性能を桁違いに向上させる。
論文 参考訳(メタデータ) (2024-06-09T12:08:56Z) - Learning Linear Block Error Correction Codes [62.25533750469467]
本稿では,バイナリ線形ブロック符号の統一エンコーダデコーダトレーニングを初めて提案する。
また,コード勾配の効率的なバックプロパゲーションのために,自己注意マスキングを行うトランスフォーマーモデルを提案する。
論文 参考訳(メタデータ) (2024-05-07T06:47:12Z) - Testing the Accuracy of Surface Code Decoders [55.616364225463066]
大規模でフォールトトレラントな量子計算は量子エラー訂正符号(QECC)によって実現される
本研究は,QECC復号方式の精度と有効性をテストするための最初の体系的手法である。
論文 参考訳(メタデータ) (2023-11-21T10:22:08Z) - Learned layered coding for Successive Refinement in the Wyner-Ziv
Problem [18.134147308944446]
本稿では,連続したソースのプログレッシブエンコーディングを明示的に学習するためのデータ駆動型アプローチを提案する。
この設定は、Wyner-Ziv符号問題の連続的な改善を指す。
我々は、RNNがスケーラブルなネスト量子化と同様の層状ビニングソリューションを明示的に検索できることを実証した。
論文 参考訳(メタデータ) (2023-11-06T12:45:32Z) - Splitting decoders for correcting hypergraph faults [2.389598109913754]
本稿では,デコードハイパーグラフのハイパーエッジをエッジに分割する2つのアルゴリズムを提案する。
分割後、ハイパーグラフフォールトは任意のサーフェスコードデコーダを使ってデコードできる。
この戦略がLDPC符号のいくつかのクラスにおいて優れた性能をもたらすことを実証的に示す。
論文 参考訳(メタデータ) (2023-09-27T01:49:04Z) - Deep Joint Source-Channel Coding with Iterative Source Error Correction [11.41076729592696]
深層学習に基づくジョイントソースチャネル符号(Deep J SCC)に対する反復的ソース誤り訂正(ISEC)復号法を提案する。
チャネルを通じて受信されたノイズワードに対して、Deep J SCCエンコーダとデコーダペアを使用して、コードを反復的に更新する。
提案手法は, チャネルノイズ特性がトレーニング時に使用するものと一致しない場合に, ベースラインよりも信頼性の高いソース再構成結果を生成する。
論文 参考訳(メタデータ) (2023-02-17T22:50:58Z) - A Scalable Graph Neural Network Decoder for Short Block Codes [49.25571364253986]
エッジ重み付きグラフニューラルネットワーク(EW-GNN)に基づく短絡符号の復号化アルゴリズムを提案する。
EW-GNNデコーダは、繰り返しメッセージパッシング構造を持つタナーグラフで動作する。
EW-GNNデコーダは,復号誤り率の観点から,BP法および深層学習に基づくBP法より優れていることを示す。
論文 参考訳(メタデータ) (2022-11-13T17:13:12Z) - Denoising Diffusion Error Correction Codes [92.10654749898927]
近年、ニューラルデコーダは古典的デコーダ技術に対する優位性を実証している。
最近の最先端のニューラルデコーダは複雑で、多くのレガシデコーダの重要な反復的スキームが欠如している。
本稿では,任意のブロック長の線形符号のソフトデコードにデノナイズ拡散モデルを適用することを提案する。
論文 参考訳(メタデータ) (2022-09-16T11:00:50Z) - Graph Neural Networks for Channel Decoding [71.15576353630667]
低密度パリティチェック(LDPC)やBCH符号など、様々な符号化方式の競合復号性能を示す。
ニューラルネットワーク(NN)は、与えられたグラフ上で一般化されたメッセージパッシングアルゴリズムを学習する。
提案するデコーダを,従来のチャネル復号法および最近のディープラーニングに基づく結果と比較した。
論文 参考訳(メタデータ) (2022-07-29T15:29:18Z) - perm2vec: Graph Permutation Selection for Decoding of Error Correction
Codes using Self-Attention [19.879263834757758]
本稿では、ドメイン知識と機械学習の概念を組み合わせた、置換選択のためのデータ駆動フレームワークを提案する。
この研究は、物理層通信システムにおけるニューラルトランスフォーマーネットワークの利点を利用する最初のものである。
論文 参考訳(メタデータ) (2020-02-06T15:42:08Z)
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。