論文の概要: Model-Based Machine Learning for Joint Digital Backpropagation and PMD Compensation

• arxiv url: http://arxiv.org/abs/2010.12313v1
• Date: Fri, 23 Oct 2020 11:37:35 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-03 23:54:23.320802
• Title: Model-Based Machine Learning for Joint Digital Backpropagation and PMD Compensation
• Title（参考訳）: デジタルバックプロパゲーションとpmd補償のためのモデルベース機械学習
• Authors: Rick M. B\"utler, Christian H\"ager, Henry D. Pfister, Gabriele Liga, Alex Alvarado
• Abstract要約: 最近提案された学習デジタルバックプロパゲーション(LDBP)と分極モード分散(PMD)の分散補償を組み合わせたハードウェアフレンドリーな時間領域非線形性緩和法 LDBP-PMD を複数の PMD 実現に向けて訓練し,最大 dB 性能の 1% 以内に収束することを示す。 実用システムにおける最先端のラッピングPMD補償アルゴリズムと同様に、我々の手法は、リンクに沿った特定のMDD実現に関する知識や、蓄積されたPMDに関する知識を前提としない。
• 参考スコア（独自算出の注目度）: 10.119875242641207
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we propose a model-based machine-learning approach for dual-polarization systems by parameterizing the split-step Fourier method for the Manakov-PMD equation. The resulting method combines hardware-friendly time-domain nonlinearity mitigation via the recently proposed learned digital backpropagation (LDBP) with distributed compensation of polarization-mode dispersion (PMD). We refer to the resulting approach as LDBP-PMD. We train LDBP-PMD on multiple PMD realizations and show that it converges within 1% of its peak dB performance after 428 training iterations on average, yielding a peak effective signal-to-noise ratio of only 0.30 dB below the PMD-free case. Similar to state-of-the-art lumped PMD compensation algorithms in practical systems, our approach does not assume any knowledge about the particular PMD realization along the link, nor any knowledge about the total accumulated PMD. This is a significant improvement compared to prior work on distributed PMD compensation, where knowledge about the accumulated PMD is typically assumed. We also compare different parameterization choices in terms of performance, complexity, and convergence behavior. Lastly, we demonstrate that the learned models can be successfully retrained after an abrupt change of the PMD realization along the fiber.
• Abstract（参考訳）: 本論文では,マナコフ-PMD方程式の分割ステップフーリエ法をパラメータ化することにより,二分極系に対するモデルベース機械学習手法を提案する。 その結果,最近提案するldbpと偏波モード分散(pmd)の分散補償を組み合わせることで,ハードウェアフレンドリーな時間領域非線形性低減を実現する。 この手法をLDBP-PMDと呼ぶ。 LDBP-PMD を複数の PMD 実効化で訓練し、平均 428 回のトレーニングを繰り返した後、ピーク dB 性能の 1% 以内に収束し、ピーク有効信号-雑音比が 0.30 dB となることを示す。 実システムにおける最先端の集中型pmd補償アルゴリズムと同様に,本手法はリンクに沿った特定のpmd実現に関する知識や蓄積されたpmdに関する知識を想定していない。 これは、通常蓄積されたpmdに関する知識が想定される分散pmd補償の以前の作業と比べて大幅に改善される。 また,性能,複雑性,収束挙動の観点から異なるパラメータ化選択を比較した。 最後に,pmdが繊維に沿って突然変化した後,学習モデルの再訓練を成功させることを実証する。

関連論文リスト

• Denoising diffusion probabilistic models are optimally adaptive to unknown low dimensionality [21.10158431913811]
  DDPMは,本質的な低次元データの自動利用により,サンプリングスピードアップを実現することができるかを検討する。 DDPMの繰り返し複雑性は$k$とほぼ線形にスケールすることが証明され、KL分散を用いて分布の相違を測定するのに最適である。
  論文  参考訳（メタデータ） (2024-10-24T14:36:12Z)
• EM Distillation for One-step Diffusion Models [65.57766773137068]
  最小品質の損失を最小限に抑えた1ステップ生成モデルに拡散モデルを蒸留する最大可能性に基づく手法を提案する。 本研究では, 蒸留プロセスの安定化を図るため, 再パラメータ化サンプリング手法とノイズキャンセリング手法を開発した。
  論文  参考訳（メタデータ） (2024-05-27T05:55:22Z)
• Contractive Diffusion Probabilistic Models [5.217870815854702]
  拡散確率モデル (DPM) は生成的モデリングにおいて有望な手法である。 我々は、DPMの設計における後方サンプリングの収縮特性を新たな基準として提案し、新しいCDPM(Contractive DPM)のクラスを導出する。 以上の結果から,CDPMは単純な変換で事前学習したDPMの重みを活用でき,再学習は不要であることが示唆された。
  論文  参考訳（メタデータ） (2024-01-23T21:51:51Z)
• Learning Energy-Based Models by Cooperative Diffusion Recovery Likelihood [64.95663299945171]
  高次元データに基づくエネルギーベースモデル(EBM)の訓練は、困難かつ時間を要する可能性がある。 EBMと、GANや拡散モデルのような他の生成フレームワークとの間には、サンプル品質に顕著なギャップがある。 本研究では,協調拡散回復可能性 (CDRL) を提案する。
  論文  参考訳（メタデータ） (2023-09-10T22:05:24Z)
• AdjointDPM: Adjoint Sensitivity Method for Gradient Backpropagation of Diffusion Probabilistic Models [103.41269503488546]
  既存のカスタマイズ方法は、事前訓練された拡散確率モデルをユーザが提供する概念に合わせるために、複数の参照例にアクセスする必要がある。 本論文は、DPMカスタマイズの課題として、生成コンテンツ上で定義された差別化可能な指標が唯一利用可能な監督基準である場合に解決することを目的とする。 本稿では,拡散モデルから新しいサンプルを初めて生成するAdjointDPMを提案する。 次に、随伴感度法を用いて、損失の勾配をモデルのパラメータにバックプロパゲートする。
  論文  参考訳（メタデータ） (2023-07-20T09:06:21Z)
• Alleviating Exposure Bias in Diffusion Models through Sampling with Shifted Time Steps [23.144083737873263]
  拡散確率モデル (DPM) は高品質な画像の合成において顕著な有効性を示した。 これまでの研究は、トレーニング中に入力を摂動することでこの問題を緩和しようと試みてきた。 モデルを再学習することなく,提案する新しいサンプリング手法を提案する。
  論文  参考訳（メタデータ） (2023-05-24T21:39:27Z)
• MCDIP-ADMM: Overcoming Overfitting in DIP-based CT reconstruction [2.538209532048867]
  本稿では,CT再構成における教師なし学習手法の適用について検討する。 DIPは表現的・視覚的性能の点で他の3つよりも優れていた。 我々は,MultiCode Deep Image Prior と Plug-and-play Alternative Method of Multipliers に基づく新しい手法 (MCDIPADMM) を提案する。
  論文  参考訳（メタデータ） (2023-04-08T03:10:19Z)
• Preconditioned Score-based Generative Models [49.88840603798831]
  直感的な加速度法はサンプリングの繰り返しを減らし、しかしながら重大な性能劣化を引き起こす。 本稿では,行列プレコンディショニングを利用したモデル非依存型bfem事前条件拡散サンプリング(PDS)手法を提案する。 PDSは、バニラSGMのサンプリングプロセスを限界余剰計算コストで変更し、モデルの再訓練を行わない。
  論文  参考訳（メタデータ） (2023-02-13T16:30:53Z)
• Optimality Guarantees for Particle Belief Approximation of POMDPs [55.83001584645448]
  部分的に観測可能なマルコフ決定プロセス(POMDP)は、現実の意思決定と制御の問題に対する柔軟な表現を提供する。 POMDPは、特に状態と観測空間が連続的またはハイブリッドである場合、解決するのが非常に難しい。 本稿では,これらのアルゴリズムが使用する粒子フィルタリング手法の近似誤差を特徴付ける理論を提案する。
  論文  参考訳（メタデータ） (2022-10-10T21:11:55Z)
• Accelerating Diffusion Models via Early Stop of the Diffusion Process [114.48426684994179]
  Denoising Diffusion Probabilistic Models (DDPM) は、様々な世代タスクにおいて優れたパフォーマンスを実現している。 実際には、DDPMは高品質なサンプルを得るために何十万ものデノナイジングステップを必要とすることが多い。 本稿では,DDPMの早期停止型DDPM(Early-Stopped DDPM, ES-DDPM)の原理的高速化戦略を提案する。
  論文  参考訳（メタデータ） (2022-05-25T06:40:09Z)
• Model-Based Machine Learning for Joint Digital Backpropagation and PMD Compensation [10.119875242641207]
  マナコフ-PMD方程式の分割ステップ法をパラメータ化することにより、偏極多重系に対するモデルベース機械学習手法を提案する。 このアプローチは、ハードウェアフレンドリーなDBPと分散PMD補償を、PMDフリーケースに近い性能で実行する。
  論文  参考訳（メタデータ） (2020-01-25T08:33:05Z)

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。