論文の概要: Binarized Aggregated Network with Quantization: Flexible Deep Learning
Deployment for CSI Feedback in Massive MIMO System
- arxiv url: http://arxiv.org/abs/2105.00354v1
- Date: Sat, 1 May 2021 22:50:25 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-04 13:52:06.812550
- Title: Binarized Aggregated Network with Quantization: Flexible Deep Learning
Deployment for CSI Feedback in Massive MIMO System
- Title（参考訳）: 量子化による二元化集約ネットワーク:大規模MIMOシステムにおけるCSIフィードバックのための柔軟な深層学習展開
- Authors: Zhilin Lu, Xudong Zhang, Hongyi He, Jintao Wang and Jian Song
- Abstract要約: アグリゲートチャネル再構築ネットワーク(ACRNet)と呼ばれる新しいネットワークは、フィードバックパフォーマンスを高めるように設計されています。
異なる資源制約を満たすために,ネットワークを柔軟に適応させる弾性フィードバック方式を提案する。
実験の結果、提案したACRNetは従来の最先端ネットワークの負荷よりも優れていた。
- 参考スコア（独自算出の注目度）: 22.068682756598914
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Massive multiple-input multiple-output (MIMO) is one of the key techniques to
achieve better spectrum and energy efficiency in 5G system. The channel state
information (CSI) needs to be fed back from the user equipment to the base
station in frequency division duplexing (FDD) mode. However, the overhead of
the direct feedback is unacceptable due to the large antenna array in massive
MIMO system. Recently, deep learning is widely adopted to the compressed CSI
feedback task and proved to be effective. In this paper, a novel network named
aggregated channel reconstruction network (ACRNet) is designed to boost the
feedback performance with network aggregation and parametric rectified linear
unit (PReLU) activation. The practical deployment of the feedback network in
the communication system is also considered. Specifically, the elastic feedback
scheme is proposed to flexibly adapt the network to meet different resource
limitations. Besides, the network binarization technique is combined with the
feature quantization for lightweight and practical deployment. Experiments show
that the proposed ACRNet outperforms loads of previous state-of-the-art
networks, providing a neat feedback solution with high performance, low cost
and impressive flexibility.
- Abstract（参考訳）: 大規模マルチインプット多重出力(MIMO)は、5Gシステムにおいてより優れたスペクトルとエネルギー効率を達成するための鍵となる技術の一つである。
チャネル状態情報(csi)は、周波数分割二重化(fdd)モードにおいて、ユーザ機器からベースステーションに送信される必要がある。
しかし、大規模なmimoシステムでは、大きなアンテナアレイのため、直接フィードバックのオーバーヘッドは許容できない。
近年,圧縮CSIフィードバックタスクにはディープラーニングが広く採用されており,有効であることが証明されている。
本稿では,ネットワークアグリゲーションとパラメトリック整合線形ユニット(PReLU)のアクティベーションにより,ACRNetと呼ばれる新しいネットワークが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。
通信システムにおけるフィードバックネットワークの実践的展開についても検討する。
具体的には、異なるリソース制限を満たすために柔軟にネットワークを適応させるために弾性フィードバックスキームを提案する。
さらに、ネットワークバイナライゼーション技術と、軽量で実用的なデプロイメントのための特徴量化を組み合わせる。
実験の結果, acrnetは, 従来の最先端ネットワークの負荷を上回っており, 高性能, 低コスト, 印象的な柔軟性を備えた, きちんとしたフィードバックソリューションを提供する。
関連論文リスト
- 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) - Towards Efficient Subarray Hybrid Beamforming: Attention Network-based
Practical Feedback in FDD Massive MU-MIMO Systems [9.320559153486885]
本稿では,チャネル推定とフィードバックのための協調最適化ネットワークを提案する。
実験の結果,提案するネットワークは,リソースに敏感なユーザ機器において10倍以上軽量であることがわかった。
論文 参考訳（メタデータ） (2023-02-05T15:12:07Z) - Better Lightweight Network for Free: Codeword Mimic Learning for Massive
MIMO CSI feedback [9.320559153486885]
軽量なフィードバックネットワークは 配備の実用性によって 特別な注目を集めます
より優れたフィードバックネットワークをトレーニングするために,CM (Codeword mimic) というコストフリー蒸留手法を提案する。
実験の結果,提案したCM学習は,従来のフィードバック蒸留法よりも優れていた。
論文 参考訳（メタデータ） (2022-10-29T09:35:14Z) - Deep Learning-Based Rate-Splitting Multiple Access for Reconfigurable
Intelligent Surface-Aided Tera-Hertz Massive MIMO [56.022764337221325]
再構成可能なインテリジェントサーフェス(RIS)は,Tera-Hertz大規模マルチインプットマルチアウトプット(MIMO)通信システムのサービスカバレッジを大幅に向上させることができる。
しかし、パイロットとフィードバック信号のオーバーヘッドが限定された正確な高次元チャネル状態情報(CSI)を得ることは困難である。
本稿では、RIS支援Tera-Hertzマルチユーザアクセスシステムのための、ディープラーニング(DL)に基づくレート分割多重アクセス方式を提案する。
論文 参考訳（メタデータ） (2022-09-18T03:07:37Z) - 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) - CSI Feedback with Model-Driven Deep Learning of Massive MIMO Systems [0.0]
モデル駆動深層学習に基づく2段階低ランクCSIフィードバック方式を提案する。
さらに、より効率的なCSIフィードバックを実現するために、高速反復収縮しきい値アルゴリズム(FISTA)を展開させることにより、FISTA-Netというディープ反復ニューラルネットワークを設計する。
論文 参考訳（メタデータ） (2021-12-13T03:50:43Z) - 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) - 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) - Cross-Attention in Coupled Unmixing Nets for Unsupervised Hyperspectral
Super-Resolution [79.97180849505294]
本稿では,HSIの空間分解能を高めるために,CUCaNetというクロスアテンション機構を備えた新しい結合型アンミックスネットワークを提案する。
3つの広く使われているHS-MSデータセットに対して、最先端のHSI-SRモデルと比較実験を行った。
論文 参考訳（メタデータ） (2020-07-10T08:08:20Z) - Resolution Adaptive Networks for Efficient Inference [53.04907454606711]
本稿では,低分解能表現が「容易」な入力を分類するのに十分である,という直感に触発された新しいレゾリューション適応ネットワーク(RANet)を提案する。
RANetでは、入力画像はまず、低解像度表現を効率的に抽出する軽量サブネットワークにルーティングされる。
ネットワーク内の高解像度パスは、"ハード"サンプルを認識する能力を維持している。
論文 参考訳（メタデータ） (2020-03-16T16:54:36Z)
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。