論文の概要: KO codes: Inventing Nonlinear Encoding and Decoding for Reliable
Wireless Communication via Deep-learning
- arxiv url: http://arxiv.org/abs/2108.12920v1
- Date: Sun, 29 Aug 2021 21:08:30 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-01 00:19:00.098989
- Title: KO codes: Inventing Nonlinear Encoding and Decoding for Reliable
Wireless Communication via Deep-learning
- Title(参考訳): KO符号:ディープラーニングによる信頼性の高い無線通信のための非線形エンコーディングとデコーディングの発明
- Authors: Ashok Vardhan Makkuva, Xiyang Liu, Mohammad Vahid Jamali, Hessam
Mahdavifar, Sewoong Oh, Pramod Viswanath
- Abstract要約: ランドマークコードは、Reed-Muller、BCH、Convolution、Turbo、LDPC、Polarといった信頼性の高い物理層通信を支える。
本論文では、ディープラーニング駆動型(エンコーダ、デコーダ)ペアの計算効率の良いファミリーであるKO符号を構築する。
KO符号は最先端のリード・ミュラー符号と極符号を破り、低複雑さの逐次復号法で復号された。
- 参考スコア(独自算出の注目度): 76.5589486928387
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Landmark codes underpin reliable physical layer communication, e.g.,
Reed-Muller, BCH, Convolution, Turbo, LDPC and Polar codes: each is a linear
code and represents a mathematical breakthrough. The impact on humanity is
huge: each of these codes has been used in global wireless communication
standards (satellite, WiFi, cellular). Reliability of communication over the
classical additive white Gaussian noise (AWGN) channel enables benchmarking and
ranking of the different codes. In this paper, we construct KO codes, a
computationaly efficient family of deep-learning driven (encoder, decoder)
pairs that outperform the state-of-the-art reliability performance on the
standardized AWGN channel. KO codes beat state-of-the-art Reed-Muller and Polar
codes, under the low-complexity successive cancellation decoding, in the
challenging short-to-medium block length regime on the AWGN channel. We show
that the gains of KO codes are primarily due to the nonlinear mapping of
information bits directly to transmit real symbols (bypassing modulation) and
yet possess an efficient, high performance decoder. The key technical
innovation that renders this possible is design of a novel family of neural
architectures inspired by the computation tree of the {\bf K}ronecker {\bf
O}peration (KO) central to Reed-Muller and Polar codes. These architectures
pave way for the discovery of a much richer class of hitherto unexplored
nonlinear algebraic structures. The code is available at
\href{https://github.com/deepcomm/KOcodes}{https://github.com/deepcomm/KOcodes}
- Abstract(参考訳): ランドマークコードは、Reed-Muller、BCH、Convolution、Turbo、LDPC、Polarといった信頼性の高い物理層通信を支える。
これらのコードはそれぞれ、グローバルな無線通信標準(衛星、wi-fi、セルラー)で使われている。
古典的な付加的な白色ガウスノイズ(AWGN)チャネル上の通信の信頼性は、異なるコードのベンチマークとランキングを可能にする。
本稿では,ディープラーニング駆動型(エンコーダ,デコーダ)ペアの計算効率のよい KO コードを構築し,標準化された AWGN チャネルの信頼性性能を向上する。
ko符号は、awgnチャネル上では難易度の低い連続的なキャンセル復号の下で、最先端のreed-muller符号とpolar符号を打ち負かした。
我々は、KO符号の利得は、情報ビットの非線形マッピングにより、実シンボルを直接送信し(変調によって)、効率的で高性能なデコーダを持つことを示す。
これを可能にする重要な技術的革新は、 Reed-Muller と Polar code の中心となる {\bf K}ronecker {\bf O}peration (KO) の計算ツリーにインスパイアされた、新しいニューラルネットワークファミリーの設計である。
これらのアーキテクチャは、よりリッチなヒッヘルト非探索的な非線形代数構造の発見の道を開いた。
コードは \href{https://github.com/deepcomm/kocodes}{https://github.com/deepcomm/kocodes} で入手できる。
関連論文リスト
- Small Quantum Codes from Algebraic Extensions of Generalized Bicycle
Codes [4.299840769087443]
量子LDPC符号は、消滅する符号化率を持つ表面符号から、一定の符号化率と線形距離を持つ非常に有望な符号まで様々である。
我々は、一般化自転車(GB)符号として知られる量子LDPC符号のサブセットにインスパイアされた小さな量子符号を考案した。
論文 参考訳(メタデータ) (2024-01-15T10:38:13Z) - Optimizing Serially Concatenated Neural Codes with Classical Decoders [8.692972779213932]
従来の復号アルゴリズムが非自明な実数値ニューラルコードに適用されていることを示す。
BCJRアルゴリズムは完全に微分可能であるので、エンドツーエンドでニューラルエンコーダのトレーニングや微調整が可能である。
論文 参考訳(メタデータ) (2022-12-20T15:40:08Z) - Neural Belief Propagation Decoding of Quantum LDPC Codes Using
Overcomplete Check Matrices [60.02503434201552]
元のチェック行列における行の線形結合から生成された冗長な行を持つチェック行列に基づいてQLDPC符号を復号する。
このアプローチは、非常に低い復号遅延の利点を付加して、復号性能を著しく向上させる。
論文 参考訳(メタデータ) (2022-12-20T13:41:27Z) - A Scalable Graph Neural Network Decoder for Short Block Codes [49.25571364253986]
エッジ重み付きグラフニューラルネットワーク(EW-GNN)に基づく短絡符号の復号化アルゴリズムを提案する。
EW-GNNデコーダは、繰り返しメッセージパッシング構造を持つタナーグラフで動作する。
EW-GNNデコーダは,復号誤り率の観点から,BP法および深層学習に基づくBP法より優れていることを示す。
論文 参考訳(メタデータ) (2022-11-13T17:13:12Z) - Graph Neural Networks for Channel Decoding [71.15576353630667]
低密度パリティチェック(LDPC)やBCH符号など、様々な符号化方式の競合復号性能を示す。
ニューラルネットワーク(NN)は、与えられたグラフ上で一般化されたメッセージパッシングアルゴリズムを学習する。
提案するデコーダを,従来のチャネル復号法および最近のディープラーニングに基づく結果と比較した。
論文 参考訳(メタデータ) (2022-07-29T15:29:18Z) - Adversarial Neural Networks for Error Correcting Codes [76.70040964453638]
機械学習(ML)モデルの性能と適用性を高めるための一般的なフレームワークを紹介する。
本稿では,MLデコーダと競合する識別器ネットワークを組み合わせることを提案する。
我々のフレームワークはゲーム理論であり、GAN(Generative Adversarial Network)によって動機付けられている。
論文 参考訳(メタデータ) (2021-12-21T19:14:44Z) - ProductAE: Towards Training Larger Channel Codes based on Neural Product
Codes [9.118706387430885]
ディープラーニング技術を通じて比較的大きなニューラルチャネルコードを設計し、訓練することは、違法に複雑である。
本稿では,ディープラーニング駆動型(エンコーダ,デコーダ)ペアの計算効率の良いファミリーであるProductAEsを構築する。
我々は、パラメータのコード(100,225)$とパラメータの中間長コード(196,441)$に対して、SNR(Signal-to-noise ratio)のあらゆる範囲において、大きな利得を示す。
論文 参考訳(メタデータ) (2021-10-09T06:00:40Z) - COSEA: Convolutional Code Search with Layer-wise Attention [90.35777733464354]
我々は、畳み込みニューラルネットワークを階層的注意で活用し、コード固有の構造論理をキャプチャする新しいディープラーニングアーキテクチャ、COSEAを提案する。
COSEAは、コード検索タスクの最先端メソッドよりも大幅に改善できる。
論文 参考訳(メタデータ) (2020-10-19T13:53:38Z) - Decoding 5G-NR Communications via Deep Learning [6.09170287691728]
本稿では,Deep Neural Network(DNN)と共同で自動符号化ニューラルネットワーク(ANN)を用いて,デマッピングとデコードのための自動符号化ディープニューラルネットワーク(ADNN)を構築することを提案する。
その結果、特定のBERターゲットに対して、AWGN(Additive White Gaussian Noise)チャネルにおいて、SNR(Signal to Noise Ratio)の$3$dBが要求されることが明らかになった。
論文 参考訳(メタデータ) (2020-07-15T12:00:20Z)
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。