Fugu-MT 論文翻訳(概要): Random Fourier Feature Based Deep Learning for Wireless Communications

論文の概要: Random Fourier Feature Based Deep Learning for Wireless Communications

arxiv url: http://arxiv.org/abs/2101.05254v1
Date: Wed, 13 Jan 2021 18:39:36 GMT
ステータス: 処理完了
システム内更新日: 2021-03-30 07:49:21.650839
Title: Random Fourier Feature Based Deep Learning for Wireless Communications
Title（参考訳）: 無線通信のためのランダムフーリエ特徴に基づくディープラーニング
Authors: Rangeet Mitra, Georges Kaddoum
Abstract要約: 本稿では,RFFに基づく深層学習の有効性を解析的に定量化する。新しい分散依存RFFが提案され、トレーニングの複雑さの低いDLアーキテクチャが促進される。提案したすべてのシミュレーションにおいて,提案した分布依存型RFFはRFFよりも有意に優れていた。
参考スコア（独自算出の注目度）: 18.534006003020828
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Deep-learning (DL) has emerged as a powerful machine-learning technique for several classic problems encountered in generic wireless communications. Specifically, random Fourier Features (RFF) based deep-learning has emerged as an attractive solution for several machine-learning problems; yet there is a lacuna of rigorous results to justify the viability of RFF based DL-algorithms in general. To address this gap, we attempt to analytically quantify the viability of RFF based DL. Precisely, in this paper, analytical proofs are presented demonstrating that RFF based DL architectures have lower approximation-error and probability of misclassification as compared to classical DL architectures. In addition, a new distribution-dependent RFF is proposed to facilitate DL architectures with low training-complexity. Through computer simulations, the practical application of the presented analytical results and the proposed distribution-dependent RFF, are depicted for various machine-learning problems encountered in next-generation communication systems such as: a) line of sight (LOS)/non-line of sight (NLOS) classification, and b) message-passing based detection of low-density parity check codes (LDPC) codes over nonlinear visible light communication (VLC) channels. Especially in the low training-data regime, the presented simulations show that significant performance gains are achieved when utilizing RFF maps of observations. Lastly, in all the presented simulations, it is observed that the proposed distribution-dependent RFFs significantly outperform RFFs, which make them useful for potential machine-learning/DL based applications in the context of next-generation communication systems.
Abstract（参考訳）: ディープラーニング(dl)は、ジェネリック無線通信で遭遇するいくつかの古典的な問題に対する強力な機械学習技術として登場した。特に、ランダムフーリエ機能(rff)ベースのディープラーニングは、いくつかの機械学習問題に対する魅力的なソリューションとして登場したが、rffベースのdl-algorithmsの有効性を正当化するための厳密な結果がある。このギャップに対処するため,我々はrffベースのdlの有効性を解析的に定量化することを試みる。本稿では,rffベースのdlアーキテクチャが従来のdlアーキテクチャと比較して近似誤差と誤分類の確率が低いことを示す解析的証明を示す。さらに, 学習複雑度が低いDLアーキテクチャを実現するために, 分散依存型RFFを提案する。計算機シミュレーションにより, 提案した解析結果と分布依存RFFの実践的応用は, 次世代通信システムで発生する様々な機械学習問題に対して説明される: a) 視線(LOS)/視線(NLOS)分類, b) メッセージパスに基づく非線形可視光通信(VLC)チャネル上の低密度パリティチェックコード(LDPC)の検出。特に低トレーニングデータ環境では,実測値のrffマップを利用した場合,有意な性能向上が得られた。最後に, 提案した分布依存型RFFがRFFを著しく上回り, 次世代通信システムにおける機械学習/DLベースの応用に有用であることを示す。

関連論文リスト

R-SFLLM: Jamming Resilient Framework for Split Federated Learning with Large Language Models [83.77114091471822]
Split Federated Learning (SFL)は、分散機械学習(ML)における計算効率のパラダイムである。 SFLの課題は、特に無線チャネル上に展開する場合、送信されたモデルパラメータが相手のジャミングに感受性を持つことである。これは、言語理解に不可欠である大規模言語モデル(LLM)における単語埋め込みパラメータに対して特に顕著である。無線ネットワーク上でのLLM(R-SFLLM)を用いたレジリエンスSFLのための物理層フレームワークを開発した。
論文参考訳（メタデータ） (2024-07-16T12:21:29Z)
OnDev-LCT: On-Device Lightweight Convolutional Transformers towards federated learning [29.798780069556074]
フェデレートラーニング(FL)は、複数のエッジデバイスにまたがる機械学習モデルを協調的にトレーニングするための、有望なアプローチとして登場した。トレーニングデータとリソースに制限のあるオンデバイスビジョンタスクのための軽量畳み込み変換器を提案する。
論文参考訳（メタデータ） (2024-01-22T02:17:36Z)
Over-the-Air Federated Learning and Optimization [52.5188988624998]
エッジ・ザ・エア計算(AirComp)によるフェデレーション学習(FL)に焦点を当てる。本稿では,AirComp ベースの FedAvg (AirFedAvg) アルゴリズムの凸および非凸条件下での収束について述べる。エッジデバイス(モデル、勾配、モデル差など)で送信できるローカルアップデートの種類によって、AirFedAvgで送信するとアグリゲーションエラーが発生する可能性がある。さらに、より実用的な信号処理方式を検討し、通信効率を改善し、これらの信号処理方式によって引き起こされるモデル集約誤差の異なる形式に収束解析を拡張する。
論文参考訳（メタデータ） (2023-10-16T05:49:28Z)
Layer-wise Feedback Propagation [53.00944147633484]
本稿では、ニューラルネットワークのような予測器のための新しいトレーニング手法であるLFP(Layer-wise Feedback Propagation)を提案する。 LFPは、与えられたタスクの解決に対するそれぞれの貢献に基づいて、個々のコネクションに報酬を割り当てる。各種モデルやデータセットの勾配降下に匹敵する性能を達成できることの有効性を実証する。
論文参考訳（メタデータ） (2023-08-23T10:48:28Z)
Disentangled Representation Learning for RF Fingerprint Extraction under Unknown Channel Statistics [77.13542705329328]
本稿では,まず,不整合表現学習(DRL)の枠組みを提案し,入力信号を逆学習によりデバイス関連成分とデバイス関連成分に分解する。提案フレームワークにおける暗黙的なデータ拡張は、デバイス非関連チャネル統計の過度な適合を避けるために、RFF抽出器に正規化を課す。実験により、DR-RFFと呼ばれる提案手法は、未知の複雑な伝播環境に対する一般化可能性の観点から従来の手法よりも優れていることが示された。
論文参考訳（メタデータ） (2022-08-04T15:46:48Z)
Hybridization of Capsule and LSTM Networks for unsupervised anomaly detection on multivariate data [0.0]
本稿では,Long-Short-Term-Memory(LSTM)とCapsule Networksを1つのネットワークに結合した新しいNNアーキテクチャを提案する。提案手法は教師なし学習手法を用いて大量のラベル付きトレーニングデータを見つける際の問題を克服する。
論文参考訳（メタデータ） (2022-02-11T10:33:53Z)
Federated Ensemble Model-based Reinforcement Learning in Edge Computing [21.840086997141498]
フェデレートラーニング(Federated Learning、FL)は、プライバシ保護のための分散機械学習パラダイムである。モデルベースRLとアンサンブル知識蒸留をFLに効果的に組み込む新しいFRLアルゴリズムを提案する。具体的には、FLと知識蒸留を利用して、クライアント向けの動的モデルのアンサンブルを作成し、環境と相互作用することなく、単にアンサンブルモデルを使用することでポリシーを訓練する。
論文参考訳（メタデータ） (2021-09-12T16:19:10Z)
A Generalizable Model-and-Data Driven Approach for Open-Set RFF Authentication [74.63333951647581]
高周波指紋(RFF)は、低コストな物理層認証を実現するための有望な解決策である。 RFF抽出と識別のために機械学習に基づく手法が提案されている。生受信信号からRFFを抽出するエンド・ツー・エンドのディープラーニングフレームワークを提案する。
論文参考訳（メタデータ） (2021-08-10T03:59:37Z)
Edge-assisted Democratized Learning Towards Federated Analytics [67.44078999945722]
本稿では,エッジ支援型民主化学習機構であるEdge-DemLearnの階層的学習構造を示す。また、Edge-DemLearnを柔軟なモデルトレーニングメカニズムとして検証し、リージョンに分散制御と集約の方法論を構築する。
論文参考訳（メタデータ） (2020-12-01T11:46:03Z)

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。