Fugu-MT 論文翻訳(概要): CQNet: Complex Input Quantized Neural Network designed for Massive MIMO CSI Feedback

論文の概要: CQNet: Complex Input Quantized Neural Network designed for Massive MIMO CSI Feedback

arxiv url: http://arxiv.org/abs/2102.07507v1
Date: Mon, 15 Feb 2021 12:16:11 GMT
ステータス: 処理完了
システム内更新日: 2021-02-16 15:27:36.357714
Title: CQNet: Complex Input Quantized Neural Network designed for Massive MIMO CSI Feedback
Title（参考訳）: CQNet:MIMO CSIフィードバックのための複雑な入力量子化ニューラルネットワーク
Authors: Sijie Ji, Weiping Sun, Mo Li
Abstract要約: 大規模複数入力多重出力(MIMO)システムは、次世代通信の中核技術です。従来のセンシングに基づくCSIフィードバックは、海賊行為に限られるボトルネック問題となっている。最近のディープラーニングベースのCSIフィードバックアプローチは、効率性と可能性を実証する。
参考スコア（独自算出の注目度）: 4.977234891170579
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The Massive Multiple Input Multiple Output (MIMO) system is a core technology of the next generation communication. With the growing complexity of CSI in massive MIMO system, traditional compressive sensing based CSI feedback has become a bottleneck problem that is limited in piratical. Recently, numerous deep learning based CSI feedback approaches demonstrate the efficiency and potential. However, the existing methods lack a reasonable interpretation of the deep learning model and the accuracy of the model decreases significantly as the CSI compression rate increases. In this paper, from the intrinsic properties of CSI data itself, we devised the corresponding deep learning building blocks to compose a novel neural network CQNet and experiment result shows CQNet outperform the state-of-the-art method with less computational overhead by achieving an average performance improvement of 8.07% in both outdoor and indoor scenarios. In addition, this paper also investigates the reasons for the decrease in model accuracy at large compression rates and proposes a strategy to embed a quantization layer to achieve effective compression, by which the original accuracy loss of 67.19% on average is reduced to 21.96% on average, and the compression rate is increased by 8 times on the original benchmark.
Abstract（参考訳）: 大規模複数入力多重出力(MIMO)システムは、次世代通信の中核技術です。大規模mimoシステムにおけるcsiの複雑化に伴い、従来の圧縮センシングに基づくcsiフィードバックは、ピラティカルに制限されたボトルネック問題となっている。近年,深層学習に基づくcsiフィードバック手法が多数登場し,その効率と可能性を示している。しかし,既存の手法では深層学習モデルの合理的な解釈が欠如しており,CSI圧縮率の増加に伴ってモデルの精度が大幅に低下する。本稿では,CSIデータ自体の本質的な特性から,新しいニューラルネットワークCQNetを構成するためのディープラーニングビルディングブロックを考案し,その実験結果から,CQNetが,屋外シナリオと屋内シナリオの両方で平均8.07%の性能向上を達成することにより,計算オーバーヘッドの少ない最先端手法より優れていることを示す。また, 圧縮率が大きい場合にモデル精度が低下する理由を調査し, 有効圧縮を達成するために量子化層を埋め込む手法を提案し, 平均67.19%の原精度損失を平均21.96%に低減し, 原ベンチマークで8倍の圧縮率を増加させる。

関連論文リスト

RSCNet: Dynamic CSI Compression for Cloud-based WiFi Sensing [9.34104644481967]
本稿では,圧縮CSIによるセンシングを可能にする新しいリアルタイムセンシング・圧縮ネットワーク(RSCNet)を提案する。 RSCNetは、CSI圧縮とセンシング精度のトレードオフをバランスさせ、通信コストを削減し、リアルタイムクラウドベースのWiFiセンシングを合理化する。数値的な発見は、SenseFiのような既存のベンチマークよりもRCCNetが向上していることを示し、最小のCSI再構成誤差で97.4%の感度の精度を示した。
論文参考訳（メタデータ） (2024-01-19T20:30:23Z)
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)
Attention-based Feature Compression for CNN Inference Offloading in Edge Computing [93.67044879636093]
本稿では,デバイスエッジ共振器におけるCNN推論の計算負荷について検討する。エンドデバイスにおける効率的な特徴抽出のための新しいオートエンコーダベースのCNNアーキテクチャ(AECNN)を提案する。実験の結果、AECNNは中間データを約4%の精度で256倍圧縮できることがわかった。
論文参考訳（メタデータ） (2022-11-24T18:10:01Z)
Enhancing Deep Learning Performance of Massive MIMO CSI Feedback [7.63185216082836]
我々は,深層学習に基づくMIMO(Massive multiple-input multiple-output)CSIフィードバックアプローチを強化するために,JPTS(JPTS)を利用したジグソーパズルを提案する。実験結果から, 室内環境および屋外環境において, 精度を平均12.07%, 7.01%向上させることができることがわかった。
論文参考訳（メタデータ） (2022-08-24T07:08:31Z)
Overview of Deep Learning-based CSI Feedback in Massive MIMO Systems [77.0986534024972]
ディープラーニング(DL)ベースのCSIフィードバックは、DLベースのオートエンコーダによるCSI圧縮と再構築を指し、フィードバックオーバーヘッドを大幅に削減することができる。その焦点は、CSIフィードバックの正確性を改善するために、新しいニューラルネットワークアーキテクチャとコミュニケーション専門家の知識の利用である。
論文参考訳（メタデータ） (2022-06-29T03:28:57Z)
SAR Despeckling Using Overcomplete Convolutional Networks [53.99620005035804]
スペックルはSAR画像を劣化させるため、リモートセンシングにおいて重要な問題である。近年の研究では、畳み込みニューラルネットワーク(CNN)が古典的解法よりも優れていることが示されている。本研究は、受容場を制限することで低レベルの特徴を学習することに集中するために、過剰なCNNアーキテクチャを用いる。本稿では,合成および実SAR画像の非特定化手法と比較して,提案手法により非特定化性能が向上することを示す。
論文参考訳（メタデータ） (2022-05-31T15:55:37Z)
Deep Learning-based Implicit CSI Feedback in Massive MIMO [68.81204537021821]
ニューラルネットワーク(NN)を用いて,プリコーディング行列インジケータ(PMI)符号化とデコードモジュールを置き換える,低オーバヘッド特性を継承するDLベースの暗黙的フィードバックアーキテクチャを提案する。 1つのリソースブロック(RB)では、2つのアンテナ構成下のタイプIコードブックと比較して25.0%と40.0%のオーバーヘッドを節約できる。
論文参考訳（メタデータ） (2021-05-21T02:43:02Z)
Aggregated Network for Massive MIMO CSI Feedback [18.04633171156304]
ACRNetは、ネットワークアグリゲーションとパラメトリックなRuLUアクティベーションによってフィードバック性能を向上させるように設計されている。実験では、ACRNetは追加情報なしで、以前の最先端のフィードバックネットワークの負荷を上回ります。
論文参考訳（メタデータ） (2021-01-17T08:19:40Z)
AttendNets: Tiny Deep Image Recognition Neural Networks for the Edge via Visual Attention Condensers [81.17461895644003]
我々は、オンデバイス画像認識に適した、低精度でコンパクトなディープニューラルネットワークであるAttendNetsを紹介する。 AttendNetsは、視覚的注意の凝縮に基づく深い自己注意アーキテクチャを持っている。その結果、AttendNetsは、いくつかのディープニューラルネットワークと比較して、アーキテクチャと計算の複雑さが著しく低いことが示された。
論文参考訳（メタデータ） (2020-09-30T01:53:17Z)
A Markovian Model-Driven Deep Learning Framework for Massive MIMO CSI Feedback [32.442094263278605]
前向きチャネル状態情報(CSI)は、MIMO(Multiple-input multiple-output)通信システムにおける送信最適化において重要な役割を果たす。リカレントニューラルネットワーク(RNN)の使用に関する最近の研究は、計算とメモリのコストは高いが、強い確証を示している。本研究では,フィードバック効率を大幅に向上させるために,チャネルコヒーレンスを時間内に活用する。
論文参考訳（メタデータ） (2020-09-20T16:26:12Z)
Deep Learning Assisted CSI Estimation for Joint URLLC and eMBB Resource Allocation [36.364156900974535]
高速移動車載ネットワークにおける深層学習支援CSI推定手法を提案する。我々は、車両用ユーザ機器の動的スライシングに基づくリソース割り当て問題を定式化し、解決する。
論文参考訳（メタデータ） (2020-03-12T10:00:08Z)

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。