Fugu-MT 論文翻訳(概要): Binary Neural Network Aided CSI Feedback in Massive MIMO System

論文の概要: Binary Neural Network Aided CSI Feedback in Massive MIMO System

arxiv url: http://arxiv.org/abs/2011.02692v1
Date: Thu, 5 Nov 2020 07:41:09 GMT
ステータス: 処理完了
システム内更新日: 2022-09-29 12:52:14.585994
Title: Binary Neural Network Aided CSI Feedback in Massive MIMO System
Title（参考訳）: 大規模MIMOシステムにおける2元ニューラルネットワークを用いたCSIフィードバック
Authors: Zhilin Lu, Jintao Wang, Jian Song
Abstract要約: 大規模マルチインプットマルチアウトプット計算(MIMO)システムでは,基地局にとってチャネル状態情報(CSI)が不可欠である。ディープラーニングは、増大するフィードバックオーバーヘッドに対抗するために、CSI圧縮で広く使用されている。ニューラルネットワークを適用することでメモリとコストが増大するが、特にリソース制限されたユーザ機器(UE)では無視できない。
参考スコア（独自算出の注目度）: 11.856076761142795
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In massive multiple-input multiple-output (MIMO) system, channel state information (CSI) is essential for the base station to achieve high performance gain. Recently, deep learning is widely used in CSI compression to fight against the growing feedback overhead brought by massive MIMO in frequency division duplexing system. However, applying neural network brings extra memory and computation cost, which is non-negligible especially for the resource limited user equipment (UE). In this paper, a novel binarization aided feedback network named BCsiNet is introduced. Moreover, BCsiNet variants are designed to boost the performance under customized training and inference schemes. Experiments shows that BCsiNet offers over 30$\times$ memory saving and around 2$\times$ inference acceleration for encoder at UE compared with CsiNet. Furthermore, the feedback performance of BCsiNet is comparable with original CsiNet. The key results can be reproduced with https://github.com/Kylin9511/BCsiNet.
Abstract（参考訳）: 大規模なマルチインプット・マルチアウトプット(MIMO)システムでは、基地局が高い性能を達成するためにはチャネル状態情報(CSI)が不可欠である。近年,周波数分割二重化システムにおけるMIMOの増大するフィードバックオーバーヘッドに対抗するために,CSI圧縮において深層学習が広く用いられている。しかし、ニューラルネットワークを適用することでメモリと計算コストが増大し、特にリソース制限されたユーザ機器(UE)では無視できない。本稿では,bcsinetと呼ばれる新しいバイナリ化支援フィードバックネットワークを提案する。さらに、bcsinetの変種は、カスタマイズされたトレーニングと推論スキームでパフォーマンスを向上させるように設計されている。実験によると、bcsinet は csinet と比較して 30$\times$ のメモリ節約と ue のエンコーダに対する2$\times$ の推論アクセラレーションを提供している。さらに、BCsiNetのフィードバック性能はオリジナルのCsiNetに匹敵する。主な結果はhttps://github.com/kylin9511/bcsinetで再生できる。

関連論文リスト

Joint Channel Estimation and Feedback with Masked Token Transformers in Massive MIMO Systems [74.52117784544758]
本稿では,CSI行列内の固有周波数領域相関を明らかにするエンコーダデコーダに基づくネットワークを提案する。エンコーダ・デコーダネットワーク全体がチャネル圧縮に使用される。提案手法は,共同作業における現状のチャネル推定およびフィードバック技術より優れる。
論文参考訳（メタデータ） (2023-06-08T06:15:17Z)
Better Lightweight Network for Free: Codeword Mimic Learning for Massive MIMO CSI feedback [9.320559153486885]
軽量なフィードバックネットワークは配備の実用性によって特別な注目を集めますより優れたフィードバックネットワークをトレーニングするために,CM (Codeword mimic) というコストフリー蒸留手法を提案する。実験の結果,提案したCM学習は,従来のフィードバック蒸留法よりも優れていた。
論文参考訳（メタデータ） (2022-10-29T09:35:14Z)
Searching for Network Width with Bilaterally Coupled Network [75.43658047510334]
この問題に対処するため、BCNet(Bilaterally Coupled Network)と呼ばれる新しいスーパーネットを導入する。 BCNetでは、各チャネルは高度に訓練され、同じ量のネットワーク幅を担っているため、ネットワーク幅をより正確に評価することができる。本稿では,Channel-Bench-Macroというマクロ構造に対するオープンソースのワイド・ベンチマークを提案し,ワイド・サーチ・アルゴリズムの比較を行った。
論文参考訳（メタデータ） (2022-03-25T15:32:46Z)
BCNet: Searching for Network Width with Bilaterally Coupled Network [56.14248440683152]
この問題に対処するため、BCNet(Bilaterally Coupled Network)と呼ばれる新しいスーパーネットを導入する。 BCNetでは、各チャネルは高度に訓練され、同じ量のネットワーク幅を担っているため、ネットワーク幅をより正確に評価することができる。提案手法は,他のベースライン手法と比較して,最先端あるいは競合的な性能を実現する。
論文参考訳（メタデータ） (2021-05-21T18:54:03Z)
Deep Learning-based Implicit CSI Feedback in Massive MIMO [68.81204537021821]
ニューラルネットワーク(NN)を用いて,プリコーディング行列インジケータ(PMI)符号化とデコードモジュールを置き換える,低オーバヘッド特性を継承するDLベースの暗黙的フィードバックアーキテクチャを提案する。 1つのリソースブロック(RB)では、2つのアンテナ構成下のタイプIコードブックと比較して25.0%と40.0%のオーバーヘッドを節約できる。
論文参考訳（メタデータ） (2021-05-21T02:43:02Z)
Binarized Aggregated Network with Quantization: Flexible Deep Learning Deployment for CSI Feedback in Massive MIMO System [22.068682756598914]
アグリゲートチャネル再構築ネットワーク(ACRNet)と呼ばれる新しいネットワークは、フィードバックパフォーマンスを高めるように設計されています。異なる資源制約を満たすために,ネットワークを柔軟に適応させる弾性フィードバック方式を提案する。実験の結果、提案したACRNetは従来の最先端ネットワークの負荷よりも優れていた。
論文参考訳（メタデータ） (2021-05-01T22:50:25Z)
CLNet: Complex Input Lightweight Neural Network designed for Massive MIMO CSI Feedback [7.63185216082836]
本稿では,CSIの固有特性に基づくCSIフィードバック問題に適したニューラルネットワークCLNetを提案する。実験の結果,CLNetは室内・屋外のシナリオで平均5.41%の精度向上により最先端の手法よりも優れていた。
論文参考訳（メタデータ） (2021-02-15T12:16:11Z)
Aggregated Network for Massive MIMO CSI Feedback [18.04633171156304]
ACRNetは、ネットワークアグリゲーションとパラメトリックなRuLUアクティベーションによってフィードバック性能を向上させるように設計されている。実験では、ACRNetは追加情報なしで、以前の最先端のフィードバックネットワークの負荷を上回ります。
論文参考訳（メタデータ） (2021-01-17T08:19:40Z)
ResNet or DenseNet? Introducing Dense Shortcuts to ResNet [80.35001540483789]
本稿では、それらを解析するために高密度和の統一的な視点を示す。本稿では,ResNetとDenseNetのジレンマに対する解法として,重み付き正規化ショートカットを提案する。提案したDSNetはResNetよりもはるかに優れた結果を得ることができ、DenseNetと同等の性能を得るが、リソースは少ない。
論文参考訳（メタデータ） (2020-10-23T16:00:15Z)
High-Capacity Expert Binary Networks [56.87581500474093]
ネットワークバイナライゼーションは、効率的なディープモデルを作成するための、ハードウェア対応の有望な方向性である。メモリと計算上の優位性にもかかわらず、バイナリモデルとその実数値モデルの間の精度のギャップを縮めることは、未解決の課題である。本稿では,入力特徴に基づく時間に1つのデータ固有のエキスパートバイナリフィルタを選択することを学習することで,初めてバイナリネットワークに条件付きコンピューティングを適合させる専門家バイナリ畳み込みを提案する。
論文参考訳（メタデータ） (2020-10-07T17:58:10Z)
A Markovian Model-Driven Deep Learning Framework for Massive MIMO CSI Feedback [32.442094263278605]
前向きチャネル状態情報(CSI)は、MIMO(Multiple-input multiple-output)通信システムにおける送信最適化において重要な役割を果たす。リカレントニューラルネットワーク(RNN)の使用に関する最近の研究は、計算とメモリのコストは高いが、強い確証を示している。本研究では,フィードバック効率を大幅に向上させるために,チャネルコヒーレンスを時間内に活用する。
論文参考訳（メタデータ） (2020-09-20T16:26:12Z)

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。