論文の概要: Domain Adaptation for Autoencoder-Based End-to-End Communication Over Wireless Channels

• arxiv url: http://arxiv.org/abs/2108.00874v1
• Date: Mon, 2 Aug 2021 13:18:40 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-03 15:25:01.483948
• Title: Domain Adaptation for Autoencoder-Based End-to-End Communication Over Wireless Channels
• Title（参考訳）: 無線通信におけるオートエンコーダによるエンドツーエンド通信のためのドメイン適応
• Authors: Jayaram Raghuram, Yijing Zeng, Dolores Garc\'ia Mart\'i, Somesh Jha, Suman Banerjee, Joerg Widmer, Rafael Ruiz Ortiz
• Abstract要約: 本稿では,少数の対象領域サンプルのみを用いて,ガウス混合密度ネットワーク(MDN)を適応させる高速で軽量な手法を提案する。 次に,提案手法を無線通信オートエンコーダのエンドツーエンド学習問題に適用する。 本稿では、エンコーダとデコーダのニューラルネットワークを変更することなくオートエンコーダを適応させ、チャネルのMDNモデルのみを適応させる手法を提案する。
• 参考スコア（独自算出の注目度）: 26.101732193670873
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The problem of domain adaptation conventionally considers the setting where a source domain has plenty of labeled data, and a target domain (with a different data distribution) has plenty of unlabeled data but none or very limited labeled data. In this paper, we address the setting where the target domain has only limited labeled data from a distribution that is expected to change frequently. We first propose a fast and light-weight method for adapting a Gaussian mixture density network (MDN) using only a small set of target domain samples. This method is well-suited for the setting where the distribution of target data changes rapidly (e.g., a wireless channel), making it challenging to collect a large number of samples and retrain. We then apply the proposed MDN adaptation method to the problem of end-of-end learning of a wireless communication autoencoder. A communication autoencoder models the encoder, decoder, and the channel using neural networks, and learns them jointly to minimize the overall decoding error rate. However, the error rate of an autoencoder trained on a particular (source) channel distribution can degrade as the channel distribution changes frequently, not allowing enough time for data collection and retraining of the autoencoder to the target channel distribution. We propose a method for adapting the autoencoder without modifying the encoder and decoder neural networks, and adapting only the MDN model of the channel. The method utilizes feature transformations at the decoder to compensate for changes in the channel distribution, and effectively present to the decoder samples close to the source distribution. Experimental evaluation on simulated datasets and real mmWave wireless channels demonstrate that the proposed methods can quickly adapt the MDN model, and improve or maintain the error rate of the autoencoder under changing channel conditions.
• Abstract（参考訳）: ドメイン適応の問題は、従来、ソースドメインがラベル付きデータが多く、(異なるデータ分布を持つ)ターゲットドメインがラベル付きデータが多いがラベル付きデータに制限がないような設定を考慮してきた。 本稿では,対象ドメインが頻繁に変化すると予想される分布からのラベル付きデータのみを限定した設定に対処する。 まず,ターゲット領域のサンプル群のみを用いて,ガウス混合密度ネットワーク(mdn)を高速かつ軽量に適応させる手法を提案する。 この方法は、ターゲットデータの分布が急速に変化する設定(例えば、無線チャネル)に適しており、多数のサンプルを収集して再訓練することは困難である。 次に,提案手法を,無線通信オートエンコーダのエンド・オブ・エンド学習問題に適用する。 通信オートエンコーダは、ニューラルネットワークを用いてエンコーダ、デコーダ、チャネルをモデル化し、それらを共同で学習し、全体的なデコーダ誤り率を最小化する。 しかし、特定の(ソース)チャネル分布でトレーニングされたオートエンコーダのエラーレートは、チャネル分布が頻繁に変化するため劣化し、データ収集とターゲットチャネル分布へのオートエンコーダの再トレーニングに十分な時間がかからない。 本稿では、エンコーダとデコーダのニューラルネットワークを変更することなくオートエンコーダを適応させ、チャネルのMDNモデルのみを適用する手法を提案する。 この方法は、デコーダにおける特徴変換を利用してチャネル分布の変化を補償し、ソース分布に近いデコーダサンプルに効果的に存在する。 シミュレーションデータセットと実mm波無線チャネルの実験的評価により,提案手法はmdnモデルに迅速に適応でき,チャネル条件の変化によりオートエンコーダの誤差率を向上・維持できることを示した。

関連論文リスト

• Low-Latency Task-Oriented Communications with Multi-Round, Multi-Task Deep Learning [45.622060532244944]
  本稿では,マルチラウンド・マルチタスク・ラーニング(MRMTL)によるマルチラウンド・トランスミッションにおけるチャネル利用の動的更新を提案する。 MRMTLはタスク指向通信の効率を大幅に向上することを示す。
  論文  参考訳（メタデータ） (2024-11-15T17:48:06Z)
• Locality-Aware Generalizable Implicit Neural Representation [54.93702310461174]
  一般化可能な暗黙的ニューラル表現(INR)は、単一の連続関数が複数のデータインスタンスを表現することを可能にする。 本稿では、変換器エンコーダと局所性を考慮したINRデコーダを組み合わせた一般化可能なINRのための新しいフレームワークを提案する。 我々のフレームワークは、従来の一般化可能なINRよりも大幅に優れており、下流タスクにおける局所性を考慮した潜在能力の有効性を検証している。
  論文  参考訳（メタデータ） (2023-10-09T11:26:58Z)
• Uncertainty-Aware Source-Free Adaptive Image Super-Resolution with Wavelet Augmentation Transformer [60.31021888394358]
  Unsupervised Domain Adaptation (UDA)は、現実世界の超解像(SR)における領域ギャップ問題に効果的に対処できる 本稿では,画像SR(SODA-SR)のためのSOurce-free Domain Adaptationフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-31T03:14:44Z)
• Channelformer: Attention based Neural Solution for Wireless Channel Estimation and Effective Online Training [1.0499453838486013]
  本稿では,改良されたチャネル推定を実現するために,エンコーダ・デコーダニューラルアーキテクチャ(Channelformer)を提案する。 我々は,復号器として,エンコーダと残差畳み込みニューラルアーキテクチャに多面的注意を払っている。 また,現代通信システムにおける第5世代(5G)新しい無線(NR)構成に基づく効果的なオンライントレーニング手法を提案する。
  論文  参考訳（メタデータ） (2023-02-08T23:18:23Z)
• Age of Information in Deep Learning-Driven Task-Oriented Communications [78.84264189471936]
  本稿では,その送信機におけるデータを利用した受信機におけるタスク実行を目的とした,タスク指向コミュニケーションにおける年齢概念について検討する。 送信機-受信機操作は、共同で訓練されたディープニューラルネットワーク(DNN)のエンコーダ-デコーダペアとしてモデル化される。
  論文  参考訳（メタデータ） (2023-01-11T04:15:51Z)
• Attention-based Feature Compression for CNN Inference Offloading in Edge Computing [93.67044879636093]
  本稿では,デバイスエッジ共振器におけるCNN推論の計算負荷について検討する。 エンドデバイスにおける効率的な特徴抽出のための新しいオートエンコーダベースのCNNアーキテクチャ(AECNN)を提案する。 実験の結果、AECNNは中間データを約4%の精度で256倍圧縮できることがわかった。
  論文  参考訳（メタデータ） (2022-11-24T18:10:01Z)
• Denoising Diffusion Error Correction Codes [92.10654749898927]
  近年、ニューラルデコーダは古典的デコーダ技術に対する優位性を実証している。 最近の最先端のニューラルデコーダは複雑で、多くのレガシデコーダの重要な反復的スキームが欠如している。 本稿では,任意のブロック長の線形符号のソフトデコードにデノナイズ拡散モデルを適用することを提案する。
  論文  参考訳（メタデータ） (2022-09-16T11:00:50Z)
• Radar Image Reconstruction from Raw ADC Data using Parametric Variational Autoencoder with Domain Adaptation [0.0]
  本研究では,パラメータ制約付き変分オートエンコーダを提案し,レンジ角画像上でクラスタ化および局所化されたターゲット検出を生成する。 実際のレーダデータを用いて可能なすべてのシナリオにおいて,提案するニューラルネットワークをトレーニングする問題を回避すべく,ドメイン適応戦略を提案する。
  論文  参考訳（メタデータ） (2022-05-30T16:17:36Z)
• SignalNet: A Low Resolution Sinusoid Decomposition and Estimation Network [79.04274563889548]
  本稿では,正弦波数を検出するニューラルネットワークアーキテクチャであるSignalNetを提案する。 基礎となるデータ分布と比較して,ネットワークの結果を比較するための最悪の学習しきい値を導入する。 シミュレーションでは、我々のアルゴリズムは常に3ビットデータのしきい値を超えることができるが、しばしば1ビットデータのしきい値を超えることはできない。
  論文  参考訳（メタデータ） (2021-06-10T04:21:20Z)
• FAID Diversity via Neural Networks [23.394836086114413]
  LDPC(Low-Density Parity Check)符号のための有限アルファベット反復デコーダ(FAID)のデコーダの多様性を設計する新しいアプローチを提案する。 提案するデコーダの多様性は、繰り返し量子化ニューラルネットワーク(RQNN)をトレーニングしてFAIDを学習・設計することで達成される。
  論文  参考訳（メタデータ） (2021-05-10T05:14:42Z)
• mpNet: variable depth unfolded neural network for massive MIMO channel estimation [0.0]
  データレートとエネルギー効率の両面で、MIMO(Multiple-input multiple-output)通信システムは大きな可能性を秘めている。 物理モデルを使用することで、伝播の物理に基づいて事前情報を注入することで、問題を緩和することができる。 しかし、そのようなモデルは仮定の単純化に頼っており、実際には非現実的なシステムの構成を正確に知る必要がある。
  論文  参考訳（メタデータ） (2020-08-07T12:23:44Z)

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。