論文の概要: Discriminative Mutual Information Estimators for Channel Capacity Learning

• arxiv url: http://arxiv.org/abs/2107.03084v1
• Date: Wed, 7 Jul 2021 09:03:40 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-08 21:29:56.621196
• Title: Discriminative Mutual Information Estimators for Channel Capacity Learning
• Title（参考訳）: チャネル容量学習のための識別的相互情報推定器
• Authors: Nunzio A. Letizia and Andrea M. Tonello
• Abstract要約: 本稿では,任意の種類のメモリレスチャネルに対して,チャネル容量を自動的に学習する新しいフレームワークを提案する。 我々は、CORTICALと呼ばれる協調チャネルキャパシティ学習フレームワークに識別器を含める。 協調値関数の特定の選択がチャネルキャパシティ推定問題を解くことを証明した。
• 参考スコア（独自算出の注目度）: 1.8275108630751837
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Channel capacity plays a crucial role in the development of modern communication systems as it represents the maximum rate at which information can be reliably transmitted over a communication channel. Nevertheless, for the majority of channels, finding a closed-form capacity expression remains an open challenge. This is because it requires to carry out two formidable tasks a) the computation of the mutual information between the channel input and output, and b) its maximization with respect to the signal distribution at the channel input. In this paper, we address both tasks. Inspired by implicit generative models, we propose a novel cooperative framework to automatically learn the channel capacity, for any type of memory-less channel. In particular, we firstly develop a new methodology to estimate the mutual information directly from a discriminator typically deployed to train adversarial networks, referred to as discriminative mutual information estimator (DIME). Secondly, we include the discriminator in a cooperative channel capacity learning framework, referred to as CORTICAL, where a discriminator learns to distinguish between dependent and independent channel input-output samples while a generator learns to produce the optimal channel input distribution for which the discriminator exhibits the best performance. Lastly, we prove that a particular choice of the cooperative value function solves the channel capacity estimation problem. Simulation results demonstrate that the proposed method offers high accuracy.
• Abstract（参考訳）: チャネル容量は、通信チャネル上で情報を確実に送信できる最大レートを表すため、現代の通信システムの発展において重要な役割を果たす。 それでも、ほとんどのチャネルでは、クローズドフォームのキャパシティ表現を見つけることはオープンな課題である。 これは、チャネル入力と出力の間の相互情報の計算と、チャネル入力における信号分布に関する最大化とを2つ実行する必要があるためである。 本稿では,両タスクについて述べる。 暗黙的な生成モデルに着想を得て,任意の種類のメモリレスチャネルに対して,チャネル容量を自動的に学習する新しい協調フレームワークを提案する。 特に,まず,識別的相互情報推定器(DIME)と呼ばれる,敵対的ネットワークの訓練に一般的に使用される識別器から直接相互情報を推定する手法を開発した。 第2に、判別器をcorticalと呼ばれる協調的チャネル容量学習フレームワークに含め、判別器は依存するチャネルと独立したチャネルの入出力サンプルの区別を学習し、生成器は、判別器が最高の性能を示す最適なチャネル入力分布を生成する。 最後に、協調値関数の特定の選択がチャネル容量推定問題を解くことを実証する。 シミュレーションの結果,提案手法は精度が高いことがわかった。

関連論文リスト

• Maximal-Capacity Discrete Memoryless Channel Identification [37.598696937684245]
  複数のメモリレスチャネル(DMC)の中で、最も高いキャパシティを持つチャネルを特定することの問題点を考察する。 キャパシティ推定器を提案し、推定器誤差の厳密な信頼境界を導出する。 BestChanIDと呼ばれるギャップ除去アルゴリズムを提案する。 NaiveChanSel と MedianChanEl の2つのアルゴリズムが導入された。
  論文  参考訳（メタデータ） (2024-01-18T18:44:10Z)
• Channel Simulation: Finite Blocklengths and Broadcast Channels [13.561997774592667]
  有限ブロック長系における共通ランダム性支援下でのチャネルシミュレーションについて検討する。 固定誤差耐性の最小シミュレーションコストについて,スムーズなチャネル最大値情報を線形プログラムのワンショット・コンバースとして同定する。
  論文  参考訳（メタデータ） (2022-12-22T13:08:55Z)
• Data-Driven Upper Bounds on Channel Capacity [4.974890682815778]
  我々は、未知のアルファベット出力を持つメモリレスチャネルのキャパシティ上の上限を推定する問題を考える。 入力分布の最小化をチャネル出力の参照分布に置き換えた双対表現を利用する新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-05-13T06:59:31Z)
• Learning to Perform Downlink Channel Estimation in Massive MIMO Systems [72.76968022465469]
  大規模マルチインプット・マルチアウトプット(MIMO)システムにおけるダウンリンク(DL)チャネル推定について検討する。 一般的なアプローチは、チャネル硬化によって動機付けられた推定値として平均値を使用することである。 本稿では2つの新しい推定法を提案する。
  論文  参考訳（メタデータ） (2021-09-06T13:42:32Z)
• FedRec: Federated Learning of Universal Receivers over Fading Channels [92.15358738530037]
  本稿では,ダウンリンクフェージングチャネルに対するニューラルネットワークを用いたシンボル検出手法を提案する。 複数のユーザが協力して、普遍的なデータ駆動型検出器を学習する。 得られた受信機の性能は、フェーディング統計の知識を必要とせずに、様々なチャネル条件下でMAP性能に近づくことを示す。
  論文  参考訳（メタデータ） (2020-11-14T11:29:55Z)
• Learning from Heterogeneous EEG Signals with Differentiable Channel Reordering [51.633889765162685]
  CHARMは、一貫性のない入力チャネルをまたいだ単一のニューラルネットワークのトレーニング方法である。 我々は4つの脳波分類データセットの実験を行い、CHARMの有効性を実証した。
  論文  参考訳（メタデータ） (2020-10-21T12:32:34Z)
• Operation-Aware Soft Channel Pruning using Differentiable Masks [51.04085547997066]
  本稿では,データ駆動型アルゴリズムを提案する。このアルゴリズムは,操作特性を利用して,ディープニューラルネットワークを異なる方法で圧縮する。 我々は大規模な実験を行い、出力ネットワークの精度で優れた性能を達成する。
  論文  参考訳（メタデータ） (2020-07-08T07:44:00Z)
• Focus of Attention Improves Information Transfer in Visual Features [80.22965663534556]
  本稿では,真のオンライン環境下での視覚情報伝達のための教師なし学習に焦点を当てた。 エントロピー項の計算は、エントロピー項のオンライン推定を行う時間的プロセスによって行われる。 入力確率分布をよりよく構成するために,人間のような注目モデルを用いる。
  論文  参考訳（メタデータ） (2020-06-16T15:07:25Z)
• Capacity of Continuous Channels with Memory via Directed Information Neural Estimator [15.372626012233736]
  本研究では,チャネルをブラックボックスとして扱う新しいキャパシティ推定アルゴリズムを提案する。 このアルゴリズムは、(i)雑音変数をチャネル入力分布に形作るニューラル分布変換器(NDT)モデルと、(ii)現在のNDTモデルの通信速度を推定するニューラルDI推定器(DINE)の2つの主成分を有する。
  論文  参考訳（メタデータ） (2020-03-09T14:53:56Z)
• Data-Driven Symbol Detection via Model-Based Machine Learning [117.58188185409904]
  機械学習(ML)とモデルベースアルゴリズムを組み合わせた,検出設計のシンボル化を目的とした,データ駆動型フレームワークについてレビューする。 このハイブリッドアプローチでは、よく知られたチャネルモデルに基づくアルゴリズムをMLベースのアルゴリズムで拡張し、チャネルモデル依存性を除去する。 提案手法は, 正確なチャネル入出力統計関係を知らなくても, モデルベースアルゴリズムのほぼ最適性能が得られることを示す。
  論文  参考訳（メタデータ） (2020-02-14T06:58:27Z)

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。