Fugu-MT 論文翻訳(概要): Experimental Evaluation of Computational Complexity for Different Neural Network Equalizers in Optical Communications

論文の概要: Experimental Evaluation of Computational Complexity for Different Neural Network Equalizers in Optical Communications

arxiv url: http://arxiv.org/abs/2109.08711v1
Date: Fri, 17 Sep 2021 18:31:58 GMT
ステータス: 処理完了
システム内更新日: 2021-09-21 16:07:28.357317
Title: Experimental Evaluation of Computational Complexity for Different Neural Network Equalizers in Optical Communications
Title（参考訳）: 光通信におけるニューラルネットワーク等化器の計算複雑性に関する実験的検討
Authors: Pedro J. Freire, Yevhenii Osadchuk, Antonio Napoli, Bernhard Spinnler, Wolfgang Schairer, Nelson Costa, Jaroslaw E. Prilepsky, Sergei K. Turitsyn
Abstract要約: いくつかのニューラルネットワークアーキテクチャの比較分析を行うことで、パフォーマンスと複雑性のトレードオフを定量化する。本稿では,TWC と SSMF のセットアップ結果について述べる。
参考スコア（独自算出の注目度）: 2.085681052464444
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Addressing the neural network-based optical channel equalizers, we quantify the trade-off between their performance and complexity by carrying out the comparative analysis of several neural network architectures, presenting the results for TWC and SSMF set-ups.
Abstract（参考訳）: ニューラルネットワークベースの光チャネル等化器に対処し、TWCとSSMFのセットアップ結果を示すニューラルネットワークアーキテクチャの比較分析を行うことにより、その性能と複雑さのトレードオフを定量化する。

関連論文リスト

Neuromorphic Wireless Split Computing with Multi-Level Spikes [69.73249913506042]
ニューロモルフィックコンピューティングでは、スパイクニューラルネットワーク(SNN)が推論タスクを実行し、シーケンシャルデータを含むワークロードの大幅な効率向上を提供する。ハードウェアとソフトウェアの最近の進歩は、スパイクニューロン間で交換された各スパイクに数ビットのペイロードを埋め込むことにより、推論精度をさらに高めることを示した。本稿では,マルチレベルSNNを用いた無線ニューロモルフィック分割計算アーキテクチャについて検討する。
論文参考訳（メタデータ） (2024-11-07T14:08:35Z)
Steinmetz Neural Networks for Complex-Valued Data [23.80312814400945]
並列実値デッツワークと結合出力からなるDNNを用いて複素値データを処理する新しい手法を提案する。提案するアーキテクチャのクラスは、Steinmetz Neural Networksと呼ばれ、多視点学習を利用して、潜在空間内でより解釈可能な表現を構築する。提案手法は,これらのネットワークがベンチマーク・データセットや合成例で実現した改良性能と付加雑音を示す数値実験である。
論文参考訳（メタデータ） (2024-09-16T08:26:06Z)
Parallel Proportional Fusion of Spiking Quantum Neural Network for Optimizing Image Classification [10.069224006497162]
量子・スパイキングニューラルネットワーク(PPF-QSNN)の並列比例融合(Parallel Proportional Fusion of Quantum and Spiking Neural Networks)と呼ばれる新しいアーキテクチャを導入する。提案したPPF-QSNNは、既存のスパイクニューラルネットワークと、精度、損失、ロバストネスといったメトリクスにわたるシリアル量子ニューラルネットワークの両方より優れている。本研究は、人工知能計算における量子優位性の発展と応用の基盤となるものである。
論文参考訳（メタデータ） (2024-04-01T10:35:35Z)
Fully-blind Neural Network Based Equalization for Severe Nonlinear Distortions in 112 Gbit/s Passive Optical Networks [6.081142345739704]
我々は100Gパッシブ光ネットワーク(PON)のための全盲デジタル信号処理(DSP)チェーンの実証と評価を行った。我々は、ハードウェアの複雑さが低いニューラルネットワークに基づいて、異なる等化器トポロジを解析する。
論文参考訳（メタデータ） (2024-01-17T20:00:16Z)
Spiking Neural Network Decision Feedback Equalization for IM/DD Systems [70.3497683558609]
様々なパラメータを持つIM/DDリンクに、決定フィードバック構造を有するスパイキングニューラルネットワーク(SNN)等化器を適用する。 SNNは、線形および人工ニューラルネットワーク(ANN)ベースの等化器よりも優れている。
論文参考訳（メタデータ） (2023-04-27T12:49:31Z)
Spiking Neural Network Decision Feedback Equalization [70.3497683558609]
決定フィードバック等化器(DFE)に似たフィードバック構造を持つSNNベースの等化器を提案する。提案手法は,3種類の模範チャネルに対して,従来の線形等化器よりも明らかに優れていることを示す。決定フィードバック構造を持つSNNは、競合エネルギー効率の良いトランシーバへのパスを可能にする。
論文参考訳（メタデータ） (2022-11-09T09:19:15Z)
Tunable Complexity Benchmarks for Evaluating Physics-Informed Neural Networks on Coupled Ordinary Differential Equations [64.78260098263489]
本研究では,より複雑に結合した常微分方程式(ODE)を解く物理インフォームドニューラルネットワーク(PINN)の能力を評価する。 PINNの複雑性が増大するにつれて,これらのベンチマークに対する正しい解が得られないことが示される。 PINN損失のラプラシアンは,ネットワーク容量の不足,ODEの条件の低下,局所曲率の高さなど,いくつかの理由を明らかにした。
論文参考訳（メタデータ） (2022-10-14T15:01:32Z)
LocalDrop: A Hybrid Regularization for Deep Neural Networks [98.30782118441158]
本稿では,ローカルラデマチャー複雑性を用いたニューラルネットワークの正規化のための新しい手法であるLocalDropを提案する。フルコネクテッドネットワーク(FCN)と畳み込みニューラルネットワーク(CNN)の両方のための新しい正規化機能は、ローカルラデマチャー複雑さの上限提案に基づいて開発されました。
論文参考訳（メタデータ） (2021-03-01T03:10:11Z)
Equivalence in Deep Neural Networks via Conjugate Matrix Ensembles [0.0]
ディープラーニングアーキテクチャの等価性を検出するための数値解析手法を開発した。経験的証拠は、ニューラルアーキテクチャのスペクトル密度とそれに対応する共役円形アンサンブルの差が消えているという現象を裏付けている。
論文参考訳（メタデータ） (2020-06-14T12:34:13Z)
The efficiency of deep learning algorithms for detecting anatomical reference points on radiological images of the head profile [55.41644538483948]
U-Netニューラルネットワークは、完全な畳み込みニューラルネットワークよりも正確に解剖学的基準点の検出を可能にする。 U-Net ニューラルネットワークによる解剖学的基準点検出の結果は,歯科矯正医のグループによる基準点検出の平均値に近づいた。
論文参考訳（メタデータ） (2020-05-25T13:51:03Z)

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。