Fugu-MT 論文翻訳(概要): Residual-Aided End-to-End Learning of Communication System without Known Channel

論文の概要: Residual-Aided End-to-End Learning of Communication System without Known Channel

arxiv url: http://arxiv.org/abs/2102.10786v1
Date: Mon, 22 Feb 2021 05:47:49 GMT
ステータス: 処理完了
システム内更新日: 2021-02-24 16:39:51.026031
Title: Residual-Aided End-to-End Learning of Communication System without Known Channel
Title（参考訳）: 未知チャネルのないコミュニケーションシステムの残存支援エンドツーエンド学習
Authors: Hao Jiang, Shuangkaisheng Bi, and Linglong Dai
Abstract要約: 実チャネルを模倣するために,gan(generative adversarial network)ベースのトレーニングスキームが最近提案されている。本論文では、残存補助GAN(RA-GAN)ベースのトレーニングスキームを提案する。提案したRA-GANベースのトレーニングスキームは,近距離最適ブロック誤り率(BLER)を実現することができることを示す。
参考スコア（独自算出の注目度）: 12.66262880667583
License: http://creativecommons.org/publicdomain/zero/1.0/
Abstract: Leveraging powerful deep learning techniques, the end-to-end (E2E) learning of communication system is able to outperform the classical communication system. Unfortunately, this communication system cannot be trained by deep learning without known channel. To deal with this problem, a generative adversarial network (GAN) based training scheme has been recently proposed to imitate the real channel. However, the gradient vanishing and overfitting problems of GAN will result in the serious performance degradation of E2E learning of communication system. To mitigate these two problems, we propose a residual aided GAN (RA-GAN) based training scheme in this paper. Particularly, inspired by the idea of residual learning, we propose a residual generator to mitigate the gradient vanishing problem by realizing a more robust gradient backpropagation. Moreover, to cope with the overfitting problem, we reconstruct the loss function for training by adding a regularizer, which limits the representation ability of RA-GAN. Simulation results show that the trained residual generator has better generation performance than the conventional generator, and the proposed RA-GAN based training scheme can achieve the near-optimal block error rate (BLER) performance with a negligible computational complexity increase in both the theoretical channel model and the ray-tracing based channel dataset.
Abstract（参考訳）: 強力なディープラーニング技術を活用することで、通信システムのエンドツーエンド(E2E)学習は、古典的な通信システムより優れている。残念ながら、この通信システムは、既知のチャネルなしではディープラーニングによってトレーニングすることはできない。この問題に対処するために,最近,実チャネルを模倣する生成型逆ネットワーク(gan)ベースのトレーニングスキームが提案されている。しかし、GANの勾配の消失と過度適合の問題は、通信システムのE2E学習の重大な性能劣化をもたらす。この2つの問題を解決するため,本論文では残存補助GAN(RA-GAN)ベースのトレーニングスキームを提案する。特に,残差学習の考え方に触発されて,より頑健な勾配バックプロパゲーションを実現することで勾配消失問題を緩和する残差生成器を提案する。さらに,オーバーフィッティング問題に対処するために,ra-ganの表現能力を制限する正則化器を追加することで,トレーニングの損失関数を再構成する。シミュレーションの結果、訓練された残差発生器は従来の生成器よりも優れた生成性能を示し、提案手法は理論チャネルモデルとレイトレーシングに基づくチャネルデータセットの両方において計算の複雑さを無視できるほど、最適化ブロックエラーレート(bler)の性能を達成できることがわかった。

関連論文リスト

Sparse Training for Federated Learning with Regularized Error Correction [9.852567834643292]
Federated Learning(FL)は、ディープニューラルネットワーク(DNN)モデルをトレーニングする上で大きなメリットがあるため、大きな関心を集めている。 FLAREは、FLプロセスへの埋め込みを正規化した更新モデルの累積引き込みによる新しいスパーストレーニング手法を提案する。 FLAREの性能は、多種多様な複雑なモデルに関する広範な実験を通じて検証され、顕著なスパーシリティレベル(現在の最先端の10倍以上の)を達成するとともに、精度が大幅に向上した。
論文参考訳（メタデータ） (2023-12-21T12:36:53Z)
Over-the-Air Federated Learning and Optimization [52.5188988624998]
エッジ・ザ・エア計算(AirComp)によるフェデレーション学習(FL)に焦点を当てる。本稿では,AirComp ベースの FedAvg (AirFedAvg) アルゴリズムの凸および非凸条件下での収束について述べる。エッジデバイス(モデル、勾配、モデル差など)で送信できるローカルアップデートの種類によって、AirFedAvgで送信するとアグリゲーションエラーが発生する可能性がある。さらに、より実用的な信号処理方式を検討し、通信効率を改善し、これらの信号処理方式によって引き起こされるモデル集約誤差の異なる形式に収束解析を拡張する。
論文参考訳（メタデータ） (2023-10-16T05:49:28Z)
Deep Deterministic Policy Gradient for End-to-End Communication Systems without Prior Channel Knowledge [8.48741007380969]
E2E(End-to-End)学習に基づく概念は、無線通信システムにおいて送信機と受信機の両方を協調的に最適化するために最近導入された。本稿では,Deep Deterministic Policy gradient(DDPG)ベースのフレームワークを開発することにより,この問題を解決することを目的とする。
論文参考訳（メタデータ） (2023-05-12T13:05:32Z)
Learning to Precode for Integrated Sensing and Communications Systems [11.689567114100514]
我々はISACシステムのための送信プリコーダを設計するための教師なし学習ニューラルモデルを提案する。提案手法は,チャネル推定誤差が存在する場合,従来の最適化手法よりも優れていることを示す。
論文参考訳（メタデータ） (2023-03-11T11:24:18Z)
Magnitude Matters: Fixing SIGNSGD Through Magnitude-Aware Sparsification in the Presence of Data Heterogeneity [60.791736094073]
通信オーバーヘッドは、ディープニューラルネットワークの分散トレーニングにおいて、大きなボトルネックのひとつになっています。本稿では,SIGNSGDの非収束問題に対処する等級化方式を提案する。提案手法は,Fashion-MNIST, CIFAR-10, CIFAR-100データセットを用いて検証した。
論文参考訳（メタデータ） (2023-02-19T17:42:35Z)
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)
Over-the-Air Federated Learning with Retransmissions (Extended Version) [21.37147806100865]
資源制約のある無線ネットワーク上でのフェデレート学習(FL)の収束に対する推定誤差の影響について検討する。資源制約のある無線ネットワーク上でFL収束を改善する手法として再送信を提案する。
論文参考訳（メタデータ） (2021-11-19T15:17:15Z)
A Meta-Learning Approach to the Optimal Power Flow Problem Under Topology Reconfigurations [69.73803123972297]
メタラーニング(MTL)アプローチを用いて訓練されたDNNベースのOPF予測器を提案する。開発したOPF予測器はベンチマークIEEEバスシステムを用いてシミュレーションにより検証される。
論文参考訳（メタデータ） (2020-12-21T17:39:51Z)
Step-Ahead Error Feedback for Distributed Training with Compressed Gradient [99.42912552638168]
集中型分散トレーニングにおける局所的エラーフィードバックによって,新たな"段階的ミスマッチ"問題が発生することを示す。本稿では, 厳密な理論的解析を施した2つの新しい手法, 1) 一歩前進, 2) 誤差平均化を提案する。
論文参考訳（メタデータ） (2020-08-13T11:21:07Z)
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)
Accumulated Polar Feature-based Deep Learning for Efficient and Lightweight Automatic Modulation Classification with Channel Compensation Mechanism [6.915743897443897]
次世代通信では、大規模な機械型通信(mMTC)が基地局に深刻な負担をもたらす。ディープラーニング(DL)技術は、ネットワークにインテリジェンスを格納し、従来のアプローチよりも優れたパフォーマンスをもたらす。本研究では, チャネル補償機構を付加した極性特徴量型DLを提案し, 上記の問題に対処する。
論文参考訳（メタデータ） (2020-01-06T04:56:56Z)

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。