論文の概要: ConCrete MAP: Learning a Probabilistic Relaxation of Discrete Variables
for Soft Estimation with Low Complexity
- arxiv url: http://arxiv.org/abs/2102.12756v1
- Date: Thu, 25 Feb 2021 09:54:25 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-26 14:04:33.890913
- Title: ConCrete MAP: Learning a Probabilistic Relaxation of Discrete Variables
for Soft Estimation with Low Complexity
- Title（参考訳）: ConCrete MAP:低複雑性のソフト推定のための離散変数の確率的緩和学習
- Authors: Edgar Beck, Carsten Bockelmann and Armin Dekorsy
- Abstract要約: ConCrete MAP Detection (CMD)は、大きな逆線形問題に対する反復検出アルゴリズムである。
我々は、SotAと比較して、CMDが有望なパフォーマンス複雑性のトレードオフを特徴付けることを示す。
特に,CMDのソフト出力がデコーダに信頼性を持つことを示す。
- 参考スコア（独自算出の注目度）: 9.62543698736491
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Following the great success of Machine Learning (ML), especially Deep Neural
Networks (DNNs), in many research domains in 2010s, several learning-based
approaches were proposed for detection in large inverse linear problems, e.g.,
massive MIMO systems. The main motivation behind is that the complexity of
Maximum A-Posteriori (MAP) detection grows exponentially with system
dimensions. Instead of using DNNs, essentially being a black-box in its most
basic form, we take a slightly different approach and introduce a probabilistic
Continuous relaxation of disCrete variables to MAP detection. Enabling close
approximation and continuous optimization, we derive an iterative detection
algorithm: ConCrete MAP Detection (CMD). Furthermore, by extending CMD to the
idea of deep unfolding, we allow for (online) optimization of a small number of
parameters to different working points while limiting complexity. In contrast
to recent DNN-based approaches, we select the optimization criterion and output
of CMD based on information theory and are thus able to learn approximate
probabilities of the individual optimal detector. This is crucial for soft
decoding in today's communication systems. Numerical simulation results in MIMO
systems reveal CMD to feature a promising performance complexity trade-off
compared to SotA. Notably, we demonstrate CMD's soft outputs to be reliable for
decoders.
- Abstract（参考訳）: 2010年代の多くの研究領域において機械学習(ML)、特にディープニューラルネットワーク(DNN)の大きな成功に続いて、大規模なMIMOシステムのような大きな逆線形問題を検出するための学習ベースのアプローチが提案された。
主な動機は、最大A-Posteriori(MAP)検出の複雑さがシステム次元とともに指数関数的に増加することである。
DNNを最も基本的な形でブラックボックスとして使用する代わりに、少し異なるアプローチを採用し、MAP検出にdisCrete変数の確率論的連続緩和を導入する。
近接近似と連続最適化により、反復的検出アルゴリズムであるConCrete MAP Detection (CMD)を導出する。
さらに, CMDを深く展開するアイデアに拡張することで, 複雑さを抑えながら, 少数のパラメータを異なる作業点に(オンラインに)最適化することが可能となる。
近年のDNNに基づくアプローチとは対照的に,情報理論に基づくCMDの最適化基準と出力を選択し,個々の最適検出器の近似確率を学習することができる。
これは今日の通信システムにおけるソフトデコーディングに不可欠である。
MIMOシステムにおける数値シミュレーションの結果,SotAと比較して,CMDは有望な性能複雑性のトレードオフを特徴とすることがわかった。
特に,CMDのソフト出力がデコーダに信頼性を持つことを示す。
関連論文リスト
- Neural Network Approximators for Marginal MAP in Probabilistic Circuits [11.917134619219079]
ニューラルネットワークを用いてPC内の(M)MAP推論を近似する手法を提案する。
新しい手法の2つの大きな利点は、自己教師型であり、ニューラルネットワークが学習された後、解を出力するのに線形時間しか必要としない点である。
いくつかのベンチマークデータセットに対する我々の新しいアプローチを評価し、競合する線形時間近似よりも優れていることを示す。
論文 参考訳（メタデータ） (2024-02-06T01:15:06Z) - Towards A Flexible Accuracy-Oriented Deep Learning Module Inference Latency Prediction Framework for Adaptive Optimization Algorithms [0.49157446832511503]
本稿では,ディープラーニングモジュール推論遅延予測フレームワークを提案する。
DNNモジュールごとに複数のRMをトレーニングするために、カスタマイズ可能な入力パラメータのセットをホストする。
トレーニングされたRMのセットを自動的に選択し、全体的な予測精度が最高になる。
論文 参考訳（メタデータ） (2023-12-11T15:15:48Z) - A Multi-Head Ensemble Multi-Task Learning Approach for Dynamical
Computation Offloading [62.34538208323411]
共有バックボーンと複数の予測ヘッド(PH)を組み合わせたマルチヘッドマルチタスク学習(MEMTL)手法を提案する。
MEMTLは、追加のトレーニングデータを必要とせず、推測精度と平均平方誤差の両方でベンチマーク手法より優れている。
論文 参考訳（メタデータ） (2023-09-02T11:01:16Z) - Probabilistic MIMO U-Net: Efficient and Accurate Uncertainty Estimation
for Pixel-wise Regression [1.4528189330418977]
機械学習における不確実性推定は、予測モデルの信頼性と解釈可能性を高めるための最重要課題である。
画素ワイド回帰タスクに対するMIMO(Multiple-Input Multiple-Output)フレームワークの適応について述べる。
論文 参考訳（メタデータ） (2023-08-14T22:08:28Z) - Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge
Computing: A Contextual-Bandit Approach [81.5261621619557]
階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。
まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。
そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
論文 参考訳（メタデータ） (2021-08-09T08:45:47Z) - 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) - Consistent Sparse Deep Learning: Theory and Computation [11.24471623055182]
スパース深層学習ネットワーク(DNN)を学習するための頻繁な方法を提案する。
提案手法は大規模ネットワーク圧縮や高次元非線形変数選択に非常に有効である。
論文 参考訳（メタデータ） (2021-02-25T23:31:24Z) - Adaptive Sampling for Best Policy Identification in Markov Decision
Processes [79.4957965474334]
本稿では,学習者が生成モデルにアクセスできる場合の,割引マルコフ決定(MDP)における最良の政治的識別の問題について検討する。
最先端アルゴリズムの利点を論じ、解説する。
論文 参考訳（メタデータ） (2020-09-28T15:22:24Z) - Distributed Optimization, Averaging via ADMM, and Network Topology [0.0]
センサローカライゼーションの現実問題において,ネットワークトポロジと異なるアルゴリズムの収束率の関係について検討する。
また、ADMMと持ち上げマルコフ連鎖の間の興味深い関係を示すとともに、その収束を明示的に特徴づける。
論文 参考訳（メタデータ） (2020-09-05T21:44:39Z) - Iterative Algorithm Induced Deep-Unfolding Neural Networks: Precoding
Design for Multiuser MIMO Systems [59.804810122136345]
本稿では,AIIDNN(ディープ・アンフォールディング・ニューラルネット)を一般化した,ディープ・アンフォールディングのためのフレームワークを提案する。
古典的重み付き最小二乗誤差(WMMSE)反復アルゴリズムの構造に基づく効率的なIAIDNNを提案する。
提案したIAIDNNは,計算複雑性を低減した反復WMMSEアルゴリズムの性能を効率よく向上することを示す。
論文 参考訳（メタデータ） (2020-06-15T02:57:57Z) - Communication-Efficient Distributed Stochastic AUC Maximization with
Deep Neural Networks [50.42141893913188]
本稿では,ニューラルネットワークを用いた大規模AUCのための分散変数について検討する。
我々のモデルは通信ラウンドをはるかに少なくし、理論上はまだ多くの通信ラウンドを必要としています。
いくつかのデータセットに対する実験は、我々の理論の有効性を示し、我々の理論を裏付けるものである。
論文 参考訳（メタデータ） (2020-05-05T18:08:23Z)
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。