論文の概要: Deep Reinforcement Learning Aided Monte Carlo Tree Search for MIMO Detection

• arxiv url: http://arxiv.org/abs/2102.00178v1
• Date: Sat, 30 Jan 2021 07:29:04 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-04 10:02:01.338722
• Title: Deep Reinforcement Learning Aided Monte Carlo Tree Search for MIMO Detection
• Title（参考訳）: MIMO検出のためのモンテカルロ木探索を支援する深部強化学習
• Authors: Tz-Wei Mo, Ronald Y. Chang, Te-Yi Kan
• Abstract要約: 本稿では,モンテカルロ木探索(MCTS)検出アルゴリズムに深部強化学習(DRL)エージェントを組み込んだ,新しいマルチインプット・マルチアウトプット(MIMO)シンボル検出器を提案する。
• 参考スコア（独自算出の注目度）: 7.115948058516199
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper proposes a novel multiple-input multiple-output (MIMO) symbol detector that incorporates a deep reinforcement learning (DRL) agent into the Monte Carlo tree search (MCTS) detection algorithm. We first describe how the MCTS algorithm, used in many decision-making problems, is applied to the MIMO detection problem. Then, we introduce a self-designed deep reinforcement learning agent, consisting of a policy value network and a state value network, which is trained to detect MIMO symbols. The outputs of the trained networks are adopted into a modified MCTS detection algorithm to provide useful node statistics and facilitate enhanced tree search process. The resulted scheme, termed the DRL-MCTS detector, demonstrates significant improvements over the original MCTS detection algorithm and exhibits favorable performance compared to other existing linear and DNN-based detection methods under varying channel conditions.
• Abstract（参考訳）: 本稿では,モンテカルロ木探索(MCTS)検出アルゴリズムに深層強化学習(DRL)エージェントを組み込んだ,新しいマルチインプット多重出力(MIMO)シンボル検出器を提案する。 まず,多くの意思決定問題で使用されるmctsアルゴリズムをmimo検出問題に適用する方法について述べる。 次に、政策価値ネットワークと状態価値ネットワークからなる自己設計の深層強化学習エージェントを導入し、MIMOシンボルを検出するように訓練します。 トレーニングされたネットワークの出力は改良されたMCTS検出アルゴリズムに採用され、有用なノード統計を提供し、拡張されたツリー探索プロセスを容易にする。 結果はDRL-MCTS検出器と呼ばれ、元のMCTS検出アルゴリズムよりも大幅に改善され、チャンネル条件の異なる既存の線形およびDNNベースの検出方法と比較して良好な性能を示した。

関連論文リスト

• CMFDFormer: Transformer-based Copy-Move Forgery Detection with Continual Learning [52.72888626663642]
  コピーモーブ偽造検出は、疑わしい偽画像中の重複領域を検出することを目的としている。 深層学習に基づく複写偽造検出手法が最上位にある。 CMFDFormer という名称の Transformer-style copy-move forgery ネットワークを提案する。 また、CMFDFormerが新しいタスクを処理できるように、新しいPCSD連続学習フレームワークを提供する。
  論文  参考訳（メタデータ） (2023-11-22T09:27:46Z)
• Deep Unfolded Simulated Bifurcation for Massive MIMO Signal Detection [7.969977930633441]
  深層学習技術と量子(インスパイアされた)アルゴリズムに基づく様々な信号検出器が提案され,検出性能が向上した。 本稿では、量子インスパイアされたアルゴリズムであるシミュレート・バイフルケーション(SB)アルゴリズムに焦点を当てる。
  論文  参考訳（メタデータ） (2023-06-28T14:46:55Z)
• Active RIS-aided EH-NOMA Networks: A Deep Reinforcement Learning Approach [66.53364438507208]
  アクティブな再構成可能なインテリジェントサーフェス(RIS)支援マルチユーザダウンリンク通信システムについて検討した。 非直交多重アクセス(NOMA)はスペクトル効率を向上させるために使用され、活性RISはエネルギー回収(EH)によって駆動される。 ユーザの動的通信状態を予測するために,高度なLSTMベースのアルゴリズムを開発した。 増幅行列と位相シフト行列RISを結合制御するためにDDPGに基づくアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-04-11T13:16:28Z)
• Hubbard-Stratonovich Detector for Simple Trainable MIMO Signal Detection [7.969977930633441]
  深部展開(DU)は顕著な検出性能を有する。 提案した検出器はハバード-ストラットノビッチ (HS) 変換に基づいており、DUはトレーニング可能なHS検出器 (THS) と呼ばれる。 トレーニング可能なパラメータは$O(1)$で、トレーニングと実行のコストは1イテレーションあたり$O(n2)$である。
  論文  参考訳（メタデータ） (2023-02-09T06:51:25Z)
• Leveraging a Probabilistic PCA Model to Understand the Multivariate Statistical Network Monitoring Framework for Network Security Anomaly Detection [64.1680666036655]
  確率的生成モデルの観点からPCAに基づく異常検出手法を再検討する。 2つの異なるデータセットを用いて数学的モデルを評価した。
  論文  参考訳（メタデータ） (2023-02-02T13:41:18Z)
• Simulated Bifurcation Algorithm for MIMO Detection [4.251210885092476]
  マルチインプット多重出力(MIMO)システムにおける信号検出のためのシミュレート分岐アルゴリズム(SB)の性能について検討した。 その結果、SBアルゴリズムは、広く使われている線形最小平均二乗誤り復号器に対して、大幅な性能向上を達成できることを示した。
  論文  参考訳（メタデータ） (2022-10-26T12:25:05Z)
• Signal Detection in MIMO Systems with Hardware Imperfections: Message Passing on Neural Networks [101.59367762974371]
  本稿では,Multi-Input-multiple-output (MIMO)通信システムにおける信号検出について検討する。 パイロット信号が限られているディープニューラルネットワーク(DNN)のトレーニングは困難であり、実用化を妨げている。 我々は、ユニタリ近似メッセージパッシング(UAMP)アルゴリズムを利用して、効率的なメッセージパッシングに基づくベイズ信号検出器を設計する。
  論文  参考訳（メタデータ） (2022-10-08T04:32:58Z)
• Learning with Knowledge of Structure: A Neural Network-Based Approach for MIMO-OFDM Detection [33.46816493359834]
  シンボル検出に対する貯水池計算(RC)に基づくアプローチに基づいて、対称かつ分解された二項決定ニューラルネットワークを導入する。 導入した対称ニューラルネットワークは、元の$M$-ary検出問題を一連のバイナリ分類タスクに分解できることを示す。 数値評価により,導入したハイブリッドRCバイナリ決定フレームワークは,最大値モデルに基づくシンボル検出を行うことができる。
  論文  参考訳（メタデータ） (2020-12-01T18:16:19Z)
• Graph Neural Networks for Massive MIMO Detection [8.516590865173407]
  我々は,無線通信におけるMIMO(Multiple-input multiple-output)検出の推測タスクに対するメッセージパッシングソリューションを学習する。 我々は、マルコフ確率場(MRF)に基づくグラフィカルモデルを採用し、送信されたシンボルに対して一様であると仮定すると、信念伝播(BP)が貧弱な結果をもたらす。
  論文  参考訳（メタデータ） (2020-07-11T07:34:56Z)
• Iterative Algorithm Induced Deep-Unfolding Neural Networks: Precoding Design for Multiuser MIMO Systems [59.804810122136345]
  本稿では,AIIDNN(ディープ・アンフォールディング・ニューラルネット)を一般化した,ディープ・アンフォールディングのためのフレームワークを提案する。 古典的重み付き最小二乗誤差(WMMSE)反復アルゴリズムの構造に基づく効率的なIAIDNNを提案する。 提案したIAIDNNは,計算複雑性を低減した反復WMMSEアルゴリズムの性能を効率よく向上することを示す。
  論文  参考訳（メタデータ） (2020-06-15T02:57:57Z)
• DeepSIC: Deep Soft Interference Cancellation for Multiuser MIMO Detection [98.43451011898212]
  複数のシンボルが同時に送信されるマルチユーザマルチインプットマルチアウトプット(MIMO)設定では、正確なシンボル検出が困難である。 本稿では,DeepSICと呼ぶ反復ソフト干渉キャンセリング(SIC)アルゴリズムの,データ駆動による実装を提案する。 DeepSICは、チャネルを線形にすることなく、限られたトレーニングサンプルから共同検出を行うことを学ぶ。
  論文  参考訳（メタデータ） (2020-02-08T18:31:00Z)

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。