論文の概要: Doubly Residual Neural Decoder: Towards Low-Complexity High-Performance Channel Decoding

• arxiv url: http://arxiv.org/abs/2102.03959v1
• Date: Mon, 8 Feb 2021 01:48:16 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-09 15:15:26.575848
• Title: Doubly Residual Neural Decoder: Towards Low-Complexity High-Performance Channel Decoding
• Title（参考訳）: 2重残差ニューラルデコーダ : 低複雑さ高機能チャネルデコーダを目指して
• Authors: Siyu Liao, Chunhua Deng, Miao Yin, Bo Yuan
• Abstract要約: ディープニューラルネットワークは、デコード性能を改善するためにチャネル符号化に成功している。 二重残留ニューラルネットワーク(DRN)デコーダを提案する。 DRNは、複雑さを低く保ちながら、大幅なデコードパフォーマンスの改善を可能にする。
• 参考スコア（独自算出の注目度）: 19.48350605321212
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Recently deep neural networks have been successfully applied in channel coding to improve the decoding performance. However, the state-of-the-art neural channel decoders cannot achieve high decoding performance and low complexity simultaneously. To overcome this challenge, in this paper we propose doubly residual neural (DRN) decoder. By integrating both the residual input and residual learning to the design of neural channel decoder, DRN enables significant decoding performance improvement while maintaining low complexity. Extensive experiment results show that on different types of channel codes, our DRN decoder consistently outperform the state-of-the-art decoders in terms of decoding performance, model sizes and computational cost.
• Abstract（参考訳）: 近年、ディープニューラルネットワークはデコード性能を改善するためにチャネル符号化に成功した。 しかし、最先端のニューラルチャネルデコーダは高いデコード性能と低い複雑さを同時に達成できない。 本稿では,この課題を克服するために,二重残存神経デコーダ(DRN)を提案する。 残差入力と残差学習の両方をニューラルチャネルデコーダの設計に統合することにより、DRNは複雑さを低く保ちながらデコード性能を著しく向上させることができる。 広範な実験結果から,drmデコーダのデコード性能,モデルサイズ,計算コストの面では,drmデコーダが最先端デコーダを一貫して上回っていることが示された。

関連論文リスト

• Efficient Encoder-Decoder Transformer Decoding for Decomposable Tasks [53.550782959908524]
  エンコーダ・デコーダモデルのための新しい構成を導入し、構造化された出力と分解可能なタスクの効率を改善する。 提案手法は,インプットを一度エンコードして並列にデコードすることで,トレーニングと推論の効率を向上する。
  論文  参考訳（メタデータ） (2024-03-19T19:27:23Z)
• Coding for Gaussian Two-Way Channels: Linear and Learning-Based Approaches [28.98777190628006]
  線形符号化と学習ベース符号化の2つの異なる双方向符号化方式を提案する。 学習に基づくコーディングには、新しいリカレントニューラルネットワーク(RNN)ベースのコーディングアーキテクチャを導入する。 我々の双方向符号化方式は、従来のチャネル符号化方式よりも格段に優れている。
  論文  参考訳（メタデータ） (2023-12-31T12:40:18Z)
• 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)
• Channelformer: Attention based Neural Solution for Wireless Channel Estimation and Effective Online Training [1.0499453838486013]
  本稿では,改良されたチャネル推定を実現するために,エンコーダ・デコーダニューラルアーキテクチャ(Channelformer)を提案する。 我々は,復号器として,エンコーダと残差畳み込みニューラルアーキテクチャに多面的注意を払っている。 また,現代通信システムにおける第5世代(5G)新しい無線(NR)構成に基づく効果的なオンライントレーニング手法を提案する。
  論文  参考訳（メタデータ） (2023-02-08T23:18:23Z)
• Denoising Diffusion Error Correction Codes [92.10654749898927]
  近年、ニューラルデコーダは古典的デコーダ技術に対する優位性を実証している。 最近の最先端のニューラルデコーダは複雑で、多くのレガシデコーダの重要な反復的スキームが欠如している。 本稿では,任意のブロック長の線形符号のソフトデコードにデノナイズ拡散モデルを適用することを提案する。
  論文  参考訳（メタデータ） (2022-09-16T11:00:50Z)
• Graph Neural Networks for Channel Decoding [71.15576353630667]
  低密度パリティチェック(LDPC)やBCH符号など、様々な符号化方式の競合復号性能を示す。 ニューラルネットワーク(NN)は、与えられたグラフ上で一般化されたメッセージパッシングアルゴリズムを学習する。 提案するデコーダを,従来のチャネル復号法および最近のディープラーニングに基づく結果と比較した。
  論文  参考訳（メタデータ） (2022-07-29T15:29:18Z)
• DRF Codes: Deep SNR-Robust Feedback Codes [2.6074034431152344]
  本稿では,DNN(Deep-neural-network)に基づく誤り訂正符号を提案する。 付加的な白色ガウス雑音 (AWGN) チャネルにおけるSNR損耗率と誤り率の両面から, DRF符号の精度は, 高い結果が得られた。
  論文  参考訳（メタデータ） (2021-12-22T10:47:25Z)
• Adversarial Neural Networks for Error Correcting Codes [76.70040964453638]
  機械学習(ML)モデルの性能と適用性を高めるための一般的なフレームワークを紹介する。 本稿では,MLデコーダと競合する識別器ネットワークを組み合わせることを提案する。 我々のフレームワークはゲーム理論であり、GAN(Generative Adversarial Network)によって動機付けられている。
  論文  参考訳（メタデータ） (2021-12-21T19:14:44Z)
• Dynamic Neural Representational Decoders for High-Resolution Semantic Segmentation [98.05643473345474]
  動的ニューラル表現デコーダ(NRD)と呼ばれる新しいデコーダを提案する。 エンコーダの出力上の各位置がセマンティックラベルの局所的なパッチに対応するので、この研究では、これらの局所的なパッチをコンパクトなニューラルネットワークで表現する。 このニューラル表現により、意味ラベル空間に先行する滑らかさを活用することができ、デコーダをより効率的にすることができる。
  論文  参考訳（メタデータ） (2021-07-30T04:50:56Z)

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。