論文の概要: Learning based signal detection for MIMO systems with unknown noise statistics

• arxiv url: http://arxiv.org/abs/2101.08435v1
• Date: Thu, 21 Jan 2021 04:48:15 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-21 22:18:27.926066
• Title: Learning based signal detection for MIMO systems with unknown noise statistics
• Title（参考訳）: 未知雑音統計を用いたMIMOシステムの学習に基づく信号検出
• Authors: Ke He, Le He, Lisheng Fan, Yansha Deng, George K. Karagiannidis, and Arumugam Nallanathan
• Abstract要約: 本論文では,未知のノイズ統計による信号を堅牢に検出する一般化最大確率(ML)推定器を考案する。 実際には、システムノイズに関する統計的な知識はほとんどなく、場合によっては非ガウス的であり、衝動的であり、分析不可能である。 我々のフレームワークは、ノイズサンプルのみを必要とする教師なしの学習アプローチによって駆動される。
• 参考スコア（独自算出の注目度）: 84.02122699723536
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper aims to devise a generalized maximum likelihood (ML) estimator to robustly detect signals with unknown noise statistics in multiple-input multiple-output (MIMO) systems. In practice, there is little or even no statistical knowledge on the system noise, which in many cases is non-Gaussian, impulsive and not analyzable. Existing detection methods have mainly focused on specific noise models, which are not robust enough with unknown noise statistics. To tackle this issue, we propose a novel ML detection framework to effectively recover the desired signal. Our framework is a fully probabilistic one that can efficiently approximate the unknown noise distribution through a normalizing flow. Importantly, this framework is driven by an unsupervised learning approach, where only the noise samples are required. To reduce the computational complexity, we further present a low-complexity version of the framework, by utilizing an initial estimation to reduce the search space. Simulation results show that our framework outperforms other existing algorithms in terms of bit error rate (BER) in non-analytical noise environments, while it can reach the ML performance bound in analytical noise environments. The code of this paper is available at https://github.com/skypitcher/manfe.
• Abstract（参考訳）: 本稿では,Multiple-input multiple-output (MIMO)システムにおいて,未知の雑音統計を持つ信号を頑健に検出する一般化最大度推定器を提案する。 実際には、システムノイズに関する統計的知識はほとんど、あるいは全く存在せず、多くの場合、非ガウス的であり、衝動的であり分析不可能である。 既存の検出手法は主に特定のノイズモデルに焦点を合わせており、未知のノイズ統計量では十分に堅牢ではない。 この問題に対処するために,所望の信号を効果的に回復する新しいML検出フレームワークを提案する。 我々のフレームワークは、正規化フローを通して未知の雑音分布を効率的に近似できる完全確率的手法である。 重要なことに、このフレームワークは、ノイズサンプルのみを必要とする教師なし学習アプローチによって駆動される。 計算複雑性を低減するために,初期推定を利用して探索空間を小さくすることで,低複雑さのフレームワークを提案する。 シミュレーションの結果,本フレームワークは非解析ノイズ環境でのビット誤り率(BER)で他の既存アルゴリズムよりも優れており,解析ノイズ環境でのML性能に到達できることがわかった。 この論文のコードはhttps://github.com/skypitcher/manfe.comで入手できる。

関連論文リスト

• Improving Noise Robustness through Abstractions and its Impact on Machine Learning [2.6563873893593826]
  ノイズは機械学習(ML)手法の適用に大きな影響を与える学習理論の基本的な問題である。 本稿では,データ抽象化を用いてノイズを緩和する手法を提案する。 目標は、抽象化によって生成された情報の損失を通じて、モデルの性能に対するノイズの影響を減らすことである。
  論文  参考訳（メタデータ） (2024-06-12T17:14:44Z)
• SoftPatch: Unsupervised Anomaly Detection with Noisy Data [67.38948127630644]
  本稿では,画像センサ異常検出におけるラベルレベルのノイズを初めて考察する。 本稿では,メモリベースの非教師付きAD手法であるSoftPatchを提案する。 既存の手法と比較して、SoftPatchは通常のデータの強力なモデリング能力を維持し、コアセットにおける過信問題を軽減する。
  論文  参考訳（メタデータ） (2024-03-21T08:49:34Z)
• Optimizing the Noise in Self-Supervised Learning: from Importance Sampling to Noise-Contrastive Estimation [80.07065346699005]
  GAN(Generative Adversarial Networks)のように、最適な雑音分布はデータ分布に等しくなると広く想定されている。 我々は、この自己教師型タスクをエネルギーベースモデルの推定問題として基礎づけるノイズ・コントラスト推定に目を向ける。 本研究は, 最適雑音のサンプリングは困難であり, 効率性の向上は, データに匹敵する雑音分布を選択することに比べ, 緩やかに行うことができると結論付けた。
  論文  参考訳（メタデータ） (2023-01-23T19:57:58Z)
• Robust Control for Dynamical Systems With Non-Gaussian Noise via Formal Abstractions [59.605246463200736]
  雑音分布の明示的な表現に依存しない新しい制御器合成法を提案する。 まず、連続制御系を有限状態モデルに抽象化し、離散状態間の確率的遷移によってノイズを捕捉する。 我々は最先端の検証技術を用いてマルコフ決定プロセスの間隔を保証し、これらの保証が元の制御システムに受け継がれるコントローラを演算する。
  論文  参考訳（メタデータ） (2023-01-04T10:40:30Z)
• Improving the Robustness of Summarization Models by Detecting and Removing Input Noise [50.27105057899601]
  本研究では,様々な種類の入力ノイズから,様々なデータセットやモデルサイズに対する性能損失を定量化する大規模な実験的検討を行った。 本稿では,モデル推論中の入力中のそのようなノイズを検出し,除去するための軽量な手法を提案する。
  論文  参考訳（メタデータ） (2022-12-20T00:33:11Z)
• The Optimal Noise in Noise-Contrastive Learning Is Not What You Think [80.07065346699005]
  この仮定から逸脱すると、実際により良い統計的推定結果が得られることが示される。 特に、最適な雑音分布は、データと異なり、また、別の家族からさえも異なる。
  論文  参考訳（メタデータ） (2022-03-02T13:59:20Z)
• An end-to-end deep learning approach for extracting stochastic dynamical systems with $\alpha$-stable L\'evy noise [5.815325960286111]
  本研究では,ランダムなペアワイズデータのみから,$alpha$-stable Levyノイズによって駆動される力学系を同定する。 我々の革新は、(1)レヴィ誘導雑音のドリフト項と拡散項の両方を全ての値に対して$alpha$で学習するためのディープラーニングアプローチを設計すること、(2)小さな雑音強度を制限せずに複雑な乗法ノイズを学習すること、(3)システム同定のためのエンドツーエンドの完全なフレームワークを提案することである。
  論文  参考訳（メタデータ） (2022-01-31T10:51:25Z)
• Multiview point cloud registration with anisotropic and space-varying localization noise [1.5499426028105903]
  我々は,高異方性定位雑音で劣化した複数点の雲を登録する問題に対処する。 既存の手法は、空間不変等方性雑音の暗黙の仮定に基づいている。 ノイズハンドリング戦略は,高レベルの異方性雑音に対するロバスト性を大幅に向上させることを示す。
  論文  参考訳（メタデータ） (2022-01-03T15:21:24Z)
• Statistical Analysis of Signal-Dependent Noise: Application in Blind Localization of Image Splicing Forgery [20.533239616846874]
  本研究では,信号依存ノイズ(SDN)を局所化タスクのスプライシングに適用する。 最大後方マルコフランダムフィールド(MAP-MRF)フレームワークを構築することで、ノイズの可能性を生かし、スプリケートされた物体の異領域を明らかにする。 実験結果から,本手法は有効であり,比較ローカライゼーション性能が得られた。
  論文  参考訳（メタデータ） (2020-10-30T11:53:53Z)
• Weak Detection in the Spiked Wigner Model with General Rank [13.45821655503426]
  我々は,信号+雑音型行列モデルから信号を検出する統計的決定過程を付加的なウィグナー雑音で検討する。 本稿では,信号の分布や雑音に依存しないデータ行列の線形スペクトル統計に基づく仮説テストを提案する。
  論文  参考訳（メタデータ） (2020-01-16T06:40:24Z)

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。