論文の概要: Can You Fix My Neural Network? Real-Time Adaptive Waveform Synthesis for Resilient Wireless Signal Classification

• arxiv url: http://arxiv.org/abs/2103.03745v1
• Date: Fri, 5 Mar 2021 15:17:13 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-08 14:38:22.098367
• Title: Can You Fix My Neural Network? Real-Time Adaptive Waveform Synthesis for Resilient Wireless Signal Classification
• Title（参考訳）: ニューラルネットワークを修理できますか? 弾性無線信号分類のためのリアルタイム適応波形合成
• Authors: Salvatore D'Oro, Francesco Restuccia and Tommaso Melodia
• Abstract要約: Charesはチャネル耐性適応波形合成のためのDeep Reinforcement Learningベースのフレームワークである。 チャレスは新しいチャネル条件に適応し、firs の drl をリアルタイムで最適に計算する。 その結果,Charesは波形合成を行わない場合の精度を4.1倍に向上させ,41us以内の新しい動作を計算できることが示された。
• 参考スコア（独自算出の注目度）: 30.39848484701887
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Thanks to its capability of classifying complex phenomena without explicit modeling, deep learning (DL) has been demonstrated to be a key enabler of Wireless Signal Classification (WSC). Although DL can achieve a very high accuracy under certain conditions, recent research has unveiled that the wireless channel can disrupt the features learned by the DL model during training, thus drastically reducing the classification performance in real-world live settings. Since retraining classifiers is cumbersome after deployment, existing work has leveraged the usage of carefully-tailored Finite Impulse Response (FIR) filters that, when applied at the transmitter's side, can restore the features that are lost because of the the channel actions, i.e., waveform synthesis. However, these approaches compute FIRs using offline optimization strategies, which limits their efficacy in highly-dynamic channel settings. In this paper, we improve the state of the art by proposing Chares, a Deep Reinforcement Learning (DRL)-based framework for channel-resilient adaptive waveform synthesis. Chares adapts to new and unseen channel conditions by optimally computing through DRL the FIRs in real-time. Chares is a DRL agent whose architecture is-based upon the Twin Delayed Deep Deterministic Policy Gradients (TD3), which requires minimal feedback from the receiver and explores a continuous action space. Chares has been extensively evaluated on two well-known datasets. We have also evaluated the real-time latency of Chares with an implementation on field-programmable gate array (FPGA). Results show that Chares increases the accuracy up to 4.1x when no waveform synthesis is performed, by 1.9x with respect to existing work, and can compute new actions within 41us.
• Abstract（参考訳）: 明示的なモデリングなしに複雑な現象を分類する能力により、深層学習(DL)が無線信号分類(WSC)の鍵となることが示されている。 DLは特定の条件下で非常に高い精度を達成できますが、最近の研究では、トレーニング中にDLモデルによって得られた特徴を無線チャネルが破壊できることを明らかにしました。 再訓練された分類器は展開後、扱いにくいため、既存の作業では、送信機側で適用された場合、チャネルアクション、すなわち波形合成によって失われた特徴を復元できる、注意深く調整された有限インパルス応答(FIR)フィルタの使用を活用している。 しかし、これらのアプローチはオフライン最適化戦略を使用してFIRを計算し、高ダイナミックチャネル設定の有効性を制限します。 本稿では,チャネル耐性適応波形合成のためのDeep Reinforcement Learning (DRL) ベースのフレームワークであるCharesを提案することにより,その現状を改善する。 チャレスは新しいチャネル条件に適応し、firs の drl をリアルタイムで最適に計算する。 charesはdrlエージェントであり、アーキテクチャは2つの遅延決定論的ポリシー勾配(td3)に基づいており、受信者からの最小限のフィードバックを必要とし、連続的なアクション空間を探索する。 Charesは2つの有名なデータセットで広く評価されています。 また、フィールドプログラマブルゲートアレイ(FPGA)の実装により、Charesのリアルタイムレイテンシも評価しました。 その結果,Charesは波形合成を行わない場合の精度を4.1倍に向上させ,41us以内の新しい動作を計算できることが示された。

関連論文リスト

• Offline Reinforcement Learning and Sequence Modeling for Downlink Link Adaptation [3.687363450234871]
  リンク適応は、モビリティ、高速なフェージング、不完全なチャネル品質情報の存在において難しい課題である。 本稿では,バッチ制約付きQ-ラーニング,保守的Q-ラーニング,意思決定変換に基づく3つのLA設計を提案する。 オフラインRLアルゴリズムは、データが適切な行動ポリシーで収集される場合、最先端のオンラインRLメソッドのパフォーマンスを達成することができる。
  論文  参考訳（メタデータ） (2024-10-30T14:01:31Z)
• Universality of Real Minimal Complexity Reservoir [0.358439716487063]
  貯留層計算(Reservoir Computing, RC)モデルは、その固定された非トレーニング可能な入力層と動的に結合された貯留層によって区別される。 Simple Cycle Reservoirs (SCR) は、制約の高い貯水池構造を持つRCモデルの特殊なクラスである。 実領域で動作するSCRは、減少するメモリを持つ時間不変の動的フィルタの普遍的な近似器である。
  論文  参考訳（メタデータ） (2024-08-15T10:44:33Z)
• Wav-KAN: Wavelet Kolmogorov-Arnold Networks [3.38220960870904]
  Wav-KANは、Wavelet Kolmogorov-Arnold Networks(Wav-KAN)フレームワークを活用して、解釈性とパフォーマンスを向上させる革新的なニューラルネットワークアーキテクチャである。 我々の結果は、解釈可能な高性能ニューラルネットワークを開発するための強力なツールとして、Wav-KANの可能性を浮き彫りにしている。
  論文  参考訳（メタデータ） (2024-05-21T14:36:16Z)
• A Neuromorphic Architecture for Reinforcement Learning from Real-Valued Observations [0.34410212782758043]
  強化学習(RL)は複雑な環境における意思決定のための強力なフレームワークを提供する。 本稿では,実測値を用いてRL問題を解くための新しいスパイキングニューラルネットワーク(SNN)アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-07-06T12:33:34Z)
• Hierarchical Spherical CNNs with Lifting-based Adaptive Wavelets for Pooling and Unpooling [101.72318949104627]
  本稿では, 階層型畳み込みニューラルネットワーク(HS-CNN)の新たな枠組みを提案し, プールやアンプールのための適応球面ウェーブレットを学習する。 LiftHS-CNNは、画像レベルのタスクとピクセルレベルのタスクの両方において、より効率的な階層的特徴学習を実現する。
  論文  参考訳（メタデータ） (2022-05-31T07:23:42Z)
• Wasserstein Flow Meets Replicator Dynamics: A Mean-Field Analysis of Representation Learning in Actor-Critic [137.04558017227583]
  ニューラルネットワークによって強化されたアクター・クリティカル(AC)アルゴリズムは、近年、かなりの成功を収めている。 我々は,特徴量に基づくニューラルACの進化と収束について,平均場の観点から考察する。 神経性交流は,大域的最適政策をサブ線形速度で求める。
  論文  参考訳（メタデータ） (2021-12-27T06:09:50Z)
• Functional Regularization for Reinforcement Learning via Learned Fourier Features [98.90474131452588]
  本稿では、入力を学習されたフーリエベースに埋め込むことにより、深層強化学習のための簡単なアーキテクチャを提案する。 その結果、状態ベースと画像ベースの両方のRLのサンプル効率が向上することがわかった。
  論文  参考訳（メタデータ） (2021-12-06T18:59:52Z)
• Learning OFDM Waveforms with PAPR and ACLR Constraints [15.423422040627331]
  達成可能な情報レートを最大化しつつ,選択した制約を満たすOFDMベースの波形を設計するための学習ベース手法を提案する。 エンドツーエンドシステムは,PAPRとACLRの制約を満たすことができ,スループットを著しく向上させることができることを示す。
  論文  参考訳（メタデータ） (2021-10-21T08:58:59Z)
• Phase Retrieval using Expectation Consistent Signal Recovery Algorithm based on Hypernetwork [73.94896986868146]
  位相検索は現代の計算イメージングシステムにおいて重要な要素である。 近年のディープラーニングの進歩は、堅牢で高速なPRの新たな可能性を開いた。 我々は、既存の制限を克服するために、深層展開のための新しいフレームワークを開発する。
  論文  参考訳（メタデータ） (2021-01-12T08:36:23Z)
• DAIS: Automatic Channel Pruning via Differentiable Annealing Indicator Search [55.164053971213576]
  畳み込みニューラルネットワークは,計算オーバーヘッドが大きいにもかかわらず,コンピュータビジョンタスクの実行において大きな成功を収めている。 構造的(チャネル)プルーニングは、通常、ネットワーク構造を保ちながらモデルの冗長性を低減するために適用される。 既存の構造化プルーニング法では、手作りのルールが必要であり、これは大きなプルーニング空間に繋がる可能性がある。
  論文  参考訳（メタデータ） (2020-11-04T07:43:01Z)
• Optimization-driven Deep Reinforcement Learning for Robust Beamforming in IRS-assisted Wireless Communications [54.610318402371185]
  Intelligent Reflecting Surface (IRS)は、マルチアンテナアクセスポイント(AP)から受信機へのダウンリンク情報伝達を支援する有望な技術である。 我々は、APのアクティブビームフォーミングとIRSのパッシブビームフォーミングを共同最適化することで、APの送信電力を最小化する。 過去の経験からビームフォーミング戦略に適応できる深層強化学習(DRL)手法を提案する。
  論文  参考訳（メタデータ） (2020-05-25T01:42:55Z)

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。