論文の概要: Harnessing Tensor Structures -- Multi-Mode Reservoir Computing and Its
Application in Massive MIMO
- arxiv url: http://arxiv.org/abs/2102.09322v1
- Date: Mon, 25 Jan 2021 20:30:22 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-14 18:53:58.215123
- Title: Harnessing Tensor Structures -- Multi-Mode Reservoir Computing and Its
Application in Massive MIMO
- Title（参考訳）: ハーネスングテンソル構造 -マルチモード貯留層計算とそのMIMOへの応用-
- Authors: Zhou Zhou, Lingjia Liu, Jiarui Xu
- Abstract要約: 新しいニューラルネットワーク(NN)構造、マルチモード貯留層コンピューティング(マルチモードRC)を紹介します。
マルチモードRCベースの学習フレームワークは、無線システムの実用的制約を効果的に効果的に対処することができる。
- 参考スコア（独自算出の注目度）: 39.46260351352041
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we introduce a new neural network (NN) structure, multi-mode
reservoir computing (Multi-Mode RC). It inherits the dynamic mechanism of RC
and processes the forward path and loss optimization of the NN using tensor as
the underlying data format. Multi-Mode RC exhibits less complexity compared
with conventional RC structures (e.g. single-mode RC) with comparable
generalization performance. Furthermore, we introduce an alternating least
square-based learning algorithm for Multi-Mode RC as well as conduct the
associated theoretical analysis. The result can be utilized to guide the
configuration of NN parameters to sufficiently circumvent over-fitting issues.
As a key application, we consider the symbol detection task in
multiple-input-multiple-output (MIMO)
orthogonal-frequency-division-multiplexing (OFDM) systems with massive MIMO
employed at the base stations (BSs). Thanks to the tensor structure of massive
MIMO-OFDM signals, our online learning-based symbol detection method
generalizes well in terms of bit error rate even using a limited online
training set. Evaluation results suggest that the Multi-Mode RC-based learning
framework can efficiently and effectively combat practical constraints of
wireless systems (i.e. channel state information (CSI) errors and hardware
non-linearity) to enable robust and adaptive learning-based communications over
the air.
- Abstract（参考訳）: 本稿では,新しいニューラルネットワーク(NN)構造,マルチモード貯水池計算(Multi-Mode RC)を提案する。
RCの動的メカニズムを継承し、基礎となるデータフォーマットとしてテンソルを用いてNNの前方経路と損失最適化を処理する。
マルチモードRCは従来のRC構造(例えば)に比べて複雑さが低い。
対等な一般化性能を持つシングルモードRC)。
さらに,マルチモードRCの最小二乗学習アルゴリズムを交互に導入するとともに,関連する理論解析を行う。
その結果、NNパラメータの設定をガイドし、オーバーフィッティング問題を十分に回避することができます。
重要な応用として,基地局(BSs)に大規模MIMOを用いた直交周波数分割多重化(OFDM)システムにおけるシンボル検出タスクを検討する。
大規模なMIMO-OFDM信号のテンソル構造により、オンライン学習に基づくシンボル検出法は、限られたオンライントレーニングセットを用いてもビット誤り率の観点からうまく一般化する。
評価の結果,マルチモードRCベースの学習フレームワークは,無線システムの実用的制約(すなわち,効果的に対処できることが示唆された。
チャンネル状態情報(CSI)エラーとハードウェアの非線形性により、空気上の堅牢で適応的な学習ベースの通信を可能にする。
関連論文リスト
- DA-Flow: Dual Attention Normalizing Flow for Skeleton-based Video Anomaly Detection [52.74152717667157]
本稿では,DAM(Dual Attention Module)と呼ばれる軽量モジュールを提案する。
フレームアテンション機構を使用して、最も重要なフレームを識別し、スケルトンアテンション機構を使用して、最小パラメータとフロップで固定されたパーティション間の広範な関係をキャプチャする。
論文 参考訳（メタデータ） (2024-06-05T06:18:03Z) - Learning Reservoir Dynamics with Temporal Self-Modulation [3.2548794659022393]
Reservoir Computing(RC)は、入力信号をランダムに接続されたニューラルネットワーク(RNN)に転送することで、時系列データを効率的に処理することができる。
しかし、RCの学習性能は他の最先端のRNNモデルよりも劣っている。
自己変調機構を付加してRCを拡張する自己変調RC(SM-RC)を提案する。
論文 参考訳（メタデータ） (2023-01-23T00:44:05Z) - Detect to Learn: Structure Learning with Attention and Decision Feedback
for MIMO-OFDM Receive Processing [25.66317464603635]
本稿では、パイロットシンボルを効率的に利用し、検出されたペイロードデータで動的に更新できるオンラインアテンションベースのアプローチであるRC-AttStructNet-DFを提案する。
DF機構は、検出されたデータシンボルを介してチャネル変化を動的に追跡することにより、検出性能をさらに向上する。
論文 参考訳（メタデータ） (2022-08-17T20:01:05Z) - Hybridization of Capsule and LSTM Networks for unsupervised anomaly
detection on multivariate data [0.0]
本稿では,Long-Short-Term-Memory(LSTM)とCapsule Networksを1つのネットワークに結合した新しいNNアーキテクチャを提案する。
提案手法は教師なし学習手法を用いて大量のラベル付きトレーニングデータを見つける際の問題を克服する。
論文 参考訳（メタデータ） (2022-02-11T10:33:53Z) - RC-Struct: A Structure-based Neural Network Approach for MIMO-OFDM
Detection [33.414673669107906]
信号検出のための構造ベースニューラルネットワークアーキテクチャであるRC-Structを導入する。
RC構造は貯水池計算(RC)を通して信号の時間構造を利用する
紹介されたRC-Structは、5Gと5G Beyondの通信ドメイン知識と学習ベースの受信処理の組み合わせに光を当てている。
論文 参考訳（メタデータ） (2021-10-03T19:39:21Z) - Efficient Model-Based Multi-Agent Mean-Field Reinforcement Learning [89.31889875864599]
マルチエージェントシステムにおける学習に有効なモデルベース強化学習アルゴリズムを提案する。
我々の理論的な貢献は、MFCのモデルベース強化学習における最初の一般的な後悔の限界である。
コア最適化問題の実用的なパラメトリゼーションを提供する。
論文 参考訳（メタデータ） (2021-07-08T18:01:02Z) - Learning Frequency-aware Dynamic Network for Efficient Super-Resolution [56.98668484450857]
本稿では、離散コサイン変換(dct)領域の係数に応じて入力を複数の部分に分割する新しい周波数認識動的ネットワークについて検討する。
実際、高周波部は高価な操作で処理され、低周波部は計算負荷を軽減するために安価な操作が割り当てられる。
ベンチマークSISRモデルおよびデータセット上での実験は、周波数認識動的ネットワークが様々なSISRニューラルネットワークに使用できることを示している。
論文 参考訳（メタデータ） (2021-03-15T12:54:26Z) - Deep Multi-Task Learning for Cooperative NOMA: System Design and
Principles [52.79089414630366]
我々は,近年のディープラーニング(DL)の進歩を反映した,新しいディープ・コラボレーティブなNOMAスキームを開発する。
我々は,システム全体を包括的に最適化できるように,新しいハイブリッドカスケードディープニューラルネットワーク(DNN)アーキテクチャを開発した。
論文 参考訳（メタデータ） (2020-07-27T12:38:37Z) - When Residual Learning Meets Dense Aggregation: Rethinking the
Aggregation of Deep Neural Networks [57.0502745301132]
我々は,グローバルな残差学習と局所的なマイクロセンスアグリゲーションを備えた新しいアーキテクチャであるMicro-Dense Netsを提案する。
我々のマイクロセンスブロックはニューラルアーキテクチャ検索に基づくモデルと統合して性能を向上させることができる。
論文 参考訳（メタデータ） (2020-04-19T08:34:52Z) - RCNet: Incorporating Structural Information into Deep RNN for MIMO-OFDM
Symbol Detection with Limited Training [26.12840500767443]
我々は、OFDM信号に固有の構造情報を活用するために、時間周波数RCを導入する。
RCNetは、浅いRC構造よりも高速な学習収束と最大20%のビット誤り率を提供できることを示す。
論文 参考訳（メタデータ） (2020-03-15T21:06:40Z)
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。