論文の概要: LoRD-Net: Unfolded Deep Detection Network with Low-Resolution Receivers
- arxiv url: http://arxiv.org/abs/2102.02993v1
- Date: Fri, 5 Feb 2021 04:26:05 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-08 12:51:23.323685
- Title: LoRD-Net: Unfolded Deep Detection Network with Low-Resolution Receivers
- Title（参考訳）: LoRD-Net:低分解能受信機を用いた展開深度検出ネットワーク
- Authors: Shahin Khobahi, Nir Shlezinger, Mojtaba Soltanalian and Yonina C.
Eldar
- Abstract要約: 本稿では,1ビット計測から情報シンボルを復元する「LoRD-Net」というディープ検出器を提案する。
LoRD-Netは、関心のシグナルを回復するためのタスクベースのアーキテクチャである。
無線通信における1ビット信号回復のためのレシーバアーキテクチャの評価を行った。
- 参考スコア（独自算出の注目度）: 104.01415343139901
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The need to recover high-dimensional signals from their noisy low-resolution
quantized measurements is widely encountered in communications and sensing. In
this paper, we focus on the extreme case of one-bit quantizers, and propose a
deep detector entitled LoRD-Net for recovering information symbols from one-bit
measurements. Our method is a model-aware data-driven architecture based on
deep unfolding of first-order optimization iterations. LoRD-Net has a
task-based architecture dedicated to recovering the underlying signal of
interest from the one-bit noisy measurements without requiring prior knowledge
of the channel matrix through which the one-bit measurements are obtained. The
proposed deep detector has much fewer parameters compared to black-box deep
networks due to the incorporation of domain-knowledge in the design of its
architecture, allowing it to operate in a data-driven fashion while benefiting
from the flexibility, versatility, and reliability of model-based optimization
methods. LoRD-Net operates in a blind fashion, which requires addressing both
the non-linear nature of the data-acquisition system as well as identifying a
proper optimization objective for signal recovery. Accordingly, we propose a
two-stage training method for LoRD-Net, in which the first stage is dedicated
to identifying the proper form of the optimization process to unfold, while the
latter trains the resulting model in an end-to-end manner. We numerically
evaluate the proposed receiver architecture for one-bit signal recovery in
wireless communications and demonstrate that the proposed hybrid methodology
outperforms both data-driven and model-based state-of-the-art methods, while
utilizing small datasets, on the order of merely $\sim 500$ samples, for
training.
- Abstract（参考訳）: ノイズの多い低分解能量子化測定から高次元信号を復元する必要性は、通信やセンシングにおいて広く見られる。
本論文では,一ビット量子化器の極端な場合に着目し,一ビット計測から情報シンボルを回復するための深度検出器 LoRD-Net を提案する。
本手法は,一階最適化繰り返しの深部展開に基づくモデル認識型データ駆動アーキテクチャである。
lord-net は、1ビットの計測値を得るチャネル行列の事前知識を必要とせずに、1ビットのノイズ測定から関心のシグナルを回収するタスクベースのアーキテクチャを持つ。
提案したディープ・ディテクターは,アーキテクチャ設計におけるドメイン知識の導入によるブラックボックス・ディープ・ネットワークに比べてパラメータがはるかに少ないため,モデルに基づく最適化手法の柔軟性,汎用性,信頼性を生かしながら,データ駆動方式で動作することが可能である。
LoRD-Netはブラインド方式で動作し、データ取得システムの非線形性に加えて、信号回復のための適切な最適化目標を特定する必要があります。
そこで本研究では,第1段階において最適化プロセスの適切な形態を特定することに専念し,第1段階ではエンドツーエンドでモデルを訓練するロードネットの2段階訓練手法を提案する。
無線通信における1ビット信号回復のためのレシーバアーキテクチャを数値的に評価し,提案手法がデータ駆動方式とモデルベース方式の両方に優れており,訓練用として単に$\sim 500$のサンプルのオーダーで小さなデータセットを活用できることを示した。
関連論文リスト
- Adaptive Anomaly Detection in Network Flows with Low-Rank Tensor Decompositions and Deep Unrolling [9.20186865054847]
異常検出(AD)は、将来の通信システムのレジリエンスを確保するための重要な要素として、ますます認識されている。
この研究は、不完全測定を用いたネットワークフローにおけるADについて考察する。
本稿では,正規化モデル適合性に基づくブロック帰属凸近似アルゴリズムを提案する。
ベイズ的アプローチに触発されて、我々はモデルアーキテクチャを拡張し、フローごとのオンライン適応とステップごとの統計処理を行う。
論文 参考訳（メタデータ） (2024-09-17T19:59:57Z) - Device Sampling and Resource Optimization for Federated Learning in Cooperative Edge Networks [17.637761046608]
フェデレーテッド・ラーニング(FedL)は、サーバによって定期的に集約されたローカルモデルをトレーニングすることで、機械学習(ML)をワーカーデバイスに分散させる。
FedLは、同時代の無線ネットワークの2つの重要な特徴を無視している: (i) ネットワークには異種通信/計算資源が含まれており、 (ii) デバイスのローカルデータ分布にかなりの重複がある可能性がある。
デバイス間オフロード(D2D)によって補完されるインテリジェントデバイスサンプリングにより,これらの要因を共同で考慮する新しい最適化手法を開発した。
論文 参考訳（メタデータ） (2023-11-07T21:17:59Z) - Deep Unfolding of the DBFB Algorithm with Application to ROI CT Imaging
with Limited Angular Density [15.143939192429018]
本稿では,関心領域(ROI)を限定されたCT値から再構成する手法を提案する。
ディープメソッドは高速で、データセットからの情報を活用することで、高いリコンストラクション品質に達することができる。
限られたデータからのROI再構成のために設計されたUDBFBと呼ばれる展開ニューラルネットワークを導入する。
論文 参考訳（メタデータ） (2022-09-27T09:10:57Z) - Exploiting Temporal Structures of Cyclostationary Signals for
Data-Driven Single-Channel Source Separation [98.95383921866096]
単一チャネルソース分離(SCSS)の問題点について検討する。
我々は、様々なアプリケーション領域に特に適するサイクロ定常信号に焦点を当てる。
本稿では,最小MSE推定器と競合するU-Netアーキテクチャを用いたディープラーニング手法を提案する。
論文 参考訳（メタデータ） (2022-08-22T14:04:56Z) - Model-based Deep Learning Receiver Design for Rate-Splitting Multiple
Access [65.21117658030235]
本研究では,モデルベース深層学習(MBDL)に基づく実用的なRSMA受信機の設計を提案する。
MBDL受信機は、符号なしシンボル誤り率(SER)、リンクレベルシミュレーション(LLS)によるスループット性能、平均トレーニングオーバーヘッドの観点から評価される。
その結果,MBDLはCSIRが不完全なSIC受信機よりも優れていた。
論文 参考訳（メタデータ） (2022-05-02T12:23:55Z) - Robust lEarned Shrinkage-Thresholding (REST): Robust unrolling for
sparse recover [87.28082715343896]
我々は、モデルミス特定を前進させるのに堅牢な逆問題を解決するためのディープニューラルネットワークについて検討する。
我々は,アルゴリズムの展開手法を根底にある回復問題のロバストバージョンに適用することにより,新しい堅牢なディープニューラルネットワークアーキテクチャを設計する。
提案したRESTネットワークは,圧縮センシングとレーダイメージングの両問題において,最先端のモデルベースおよびデータ駆動アルゴリズムを上回る性能を示す。
論文 参考訳（メタデータ） (2021-10-20T06:15:45Z) - Neural Calibration for Scalable Beamforming in FDD Massive MIMO with
Implicit Channel Estimation [10.775558382613077]
チャネル推定とビームフォーミングは、周波数分割二重化(FDD)大規模マルチインプット多重出力(MIMO)システムにおいて重要な役割を果たす。
受信したアップリンクパイロットに応じて,基地局のビームフォーマを直接最適化する深層学習方式を提案する。
エンド・ツー・エンドの設計のスケーラビリティを向上させるために,ニューラルキャリブレーション法を提案する。
論文 参考訳（メタデータ） (2021-08-03T14:26:14Z) - A novel Deep Neural Network architecture for non-linear system
identification [78.69776924618505]
非線形システム識別のための新しいDeep Neural Network (DNN)アーキテクチャを提案する。
メモリシステムにインスパイアされたインダクティブバイアス(アーキテクチャ)と正規化(損失関数)を導入する。
このアーキテクチャは、利用可能なデータのみに基づいて、自動的な複雑性の選択を可能にする。
論文 参考訳（メタデータ） (2021-06-06T10:06:07Z) - RIS Enhanced Massive Non-orthogonal Multiple Access Networks: Deployment
and Passive Beamforming Design [116.88396201197533]
再構成可能なインテリジェントサーフェス(RIS)の配置と受動ビームフォーミング設計のための新しいフレームワークを提案する。
エネルギー効率を最大化するために、共同配置、位相シフト設計、および電力配分の問題を定式化する。
リアルタイムデータセットを活用することで,ユーザの遠隔交通需要を予測するために,LSTM(Long Short-term memory)ベースのエコー状態ネットワーク(ESN)アルゴリズムを提案する。
RISの展開と設計の連立問題を解くために,D3QNに基づく位置取得と位相制御アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-01-28T14:37:38Z)
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。