論文の概要: Predicting Flat-Fading Channels via Meta-Learned Closed-Form Linear Filters and Equilibrium Propagation

• arxiv url: http://arxiv.org/abs/2110.00414v1
• Date: Fri, 1 Oct 2021 14:00:23 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-04 14:20:01.620799
• Title: Predicting Flat-Fading Channels via Meta-Learned Closed-Form Linear Filters and Equilibrium Propagation
• Title（参考訳）: メタラーニング閉形線形フィルタと平衡伝播によるフラットファイディングチャネルの予測
• Authors: Sangwoo Park, Osvaldo Simeone
• Abstract要約: フェーディングチャネルの予測は、様々なアプリケーションにおいて古典的な問題である。 実際、ドップラースペクトルは未知であり、予測器は推定チャネルの限られた時系列にしかアクセスできない。 本稿では,チャネルフェード予測のためのトレーニングデータの観点から,メタラーニングを活用して要件を緩和することを提案する。
• 参考スコア（独自算出の注目度）: 38.42468500092177
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Predicting fading channels is a classical problem with a vast array of applications, including as an enabler of artificial intelligence (AI)-based proactive resource allocation for cellular networks. Under the assumption that the fading channel follows a stationary complex Gaussian process, as for Rayleigh and Rician fading models, the optimal predictor is linear, and it can be directly computed from the Doppler spectrum via standard linear minimum mean squared error (LMMSE) estimation. However, in practice, the Doppler spectrum is unknown, and the predictor has only access to a limited time series of estimated channels. This paper proposes to leverage meta-learning in order to mitigate the requirements in terms of training data for channel fading prediction. Specifically, it first develops an offline low-complexity solution based on linear filtering via a meta-trained quadratic regularization. Then, an online method is proposed based on gradient descent and equilibrium propagation (EP). Numerical results demonstrate the advantages of the proposed approach, showing its capacity to approach the genie-aided LMMSE solution with a small number of training data points.
• Abstract（参考訳）: フェーディングチャネルの予測は、多くのアプリケーションにおいて古典的な問題であり、例えば、セルネットワークに対する人工知能(AI)ベースのアクティブリソースアロケーションの実現などである。 フェーディングチャネルは、レイリーとリッチのフェーディングモデルのように定常複素ガウス過程に従っているという仮定の下で、最適予測器は線形であり、標準線形平均二乗誤差(LMMSE)推定を通じてドップラースペクトルから直接計算することができる。 しかし、実際にはドップラースペクトルは未知であり、予測器は推定チャネルの限られた時系列にしかアクセスできない。 本稿では,チャネルフェード予測のためのトレーニングデータの観点から,メタラーニングを活用することを提案する。 具体的には、まず、メタ訓練2次正規化による線形フィルタリングに基づくオフライン低複素性解を開発する。 次に、勾配降下と平衡伝播(EP)に基づくオンライン手法を提案する。 数値計算により,提案手法の利点を実証し,少数のトレーニングデータポイントを持つジェニー支援型LMMSEソリューションにアプローチする能力を示した。

関連論文リスト

• Kalman Filter for Online Classification of Non-Stationary Data [101.26838049872651]
  オンライン連続学習(OCL)では、学習システムはデータのストリームを受け取り、予測とトレーニングの手順を順次実行する。 本稿では,線形予測量に対するニューラル表現と状態空間モデルを用いた確率ベイズオンライン学習モデルを提案する。 多クラス分類の実験では、モデルの予測能力と非定常性を捉える柔軟性を示す。
  論文  参考訳（メタデータ） (2023-06-14T11:41:42Z)
• Low-rank extended Kalman filtering for online learning of neural networks from streaming data [71.97861600347959]
  非定常データストリームから非線形関数のパラメータを推定するための効率的なオンライン近似ベイズ推定アルゴリズムを提案する。 この方法は拡張カルマンフィルタ (EKF) に基づいているが、新しい低ランク+斜角行列分解法を用いている。 変分推論に基づく手法とは対照的に,本手法は完全に決定論的であり,ステップサイズチューニングを必要としない。
  論文  参考訳（メタデータ） (2023-05-31T03:48:49Z)
• Dimensionality Collapse: Optimal Measurement Selection for Low-Error Infinite-Horizon Forecasting [3.5788754401889022]
  我々は,Clam'er-Raolow bound (CRLB) の時間平均トレースをコストとして予測することで,連続線形測定設計を無限水平問題として解決する。 自然指数族からの付加雑音による測定に関する理論的結果を導入することにより、局所的な次元減少を導出できる等価な問題を構築する。 この別の定式化は、多くの微分方程式の極限挙動に固有の次元の将来の崩壊に基づいており、予測のためのCRLBの低ランク構造で直接観察することができる。
  論文  参考訳（メタデータ） (2023-03-27T17:25:04Z)
• Dynamic selection of p-norm in linear adaptive filtering via online kernel-based reinforcement learning [8.319127681936815]
  本研究は, 線形適応フィルタリングにおいて, 最適p-ノルムが外れ値と競合する問題に対して, 動的に選択する問題に対処する。 オンラインおよびデータ駆動型フレームワークはカーネルベース強化学習(KBRL)によって設計される
  論文  参考訳（メタデータ） (2022-10-20T14:49:39Z)
• Predicting Multi-Antenna Frequency-Selective Channels via Meta-Learned Linear Filters based on Long-Short Term Channel Decomposition [39.38412820403623]
  我々は、転送/ミータ学習2次正規化に基づく単一アンテナ周波数平坦チャネルの予測器を開発する。 LSTDに基づく予測モデルのためのトランスファーアルゴリズムとメタラーニングアルゴリズムを導入する。
  論文  参考訳（メタデータ） (2022-03-23T20:38:48Z)
• An application of the splitting-up method for the computation of a neural network representation for the solution for the filtering equations [68.8204255655161]
  フィルタ方程式は、数値天気予報、金融、工学など、多くの現実の応用において中心的な役割を果たす。 フィルタリング方程式の解を近似する古典的なアプローチの1つは、分割法と呼ばれるPDEにインスパイアされた方法を使うことである。 我々はこの手法をニューラルネットワーク表現と組み合わせて、信号プロセスの非正規化条件分布の近似を生成する。
  論文  参考訳（メタデータ） (2022-01-10T11:01:36Z)
• Neural Calibration for Scalable Beamforming in FDD Massive MIMO with Implicit Channel Estimation [10.775558382613077]
  チャネル推定とビームフォーミングは、周波数分割二重化(FDD)大規模マルチインプット多重出力(MIMO)システムにおいて重要な役割を果たす。 受信したアップリンクパイロットに応じて,基地局のビームフォーマを直接最適化する深層学習方式を提案する。 エンド・ツー・エンドの設計のスケーラビリティを向上させるために,ニューラルキャリブレーション法を提案する。
  論文  参考訳（メタデータ） (2021-08-03T14:26:14Z)
• Deep learning: a statistical viewpoint [120.94133818355645]
  ディープラーニングは、理論的観点からいくつかの大きな驚きを明らかにしました。 特に、簡単な勾配法は、最適でないトレーニング問題に対するほぼ完全な解決策を簡単に見つけます。 我々はこれらの現象を具体的原理で補うと推測する。
  論文  参考訳（メタデータ） (2021-03-16T16:26:36Z)
• Fundamental limits and algorithms for sparse linear regression with sublinear sparsity [16.3460693863947]
  正規化相互情報の正確な表現と疎線形回帰の最小平均二乗誤差(MMSE)を確立する。 本稿では、線形レギュレータに対して、既存のよく知られたAMPアルゴリズムをサブ線形に修正する方法を示す。
  論文  参考訳（メタデータ） (2021-01-27T01:27:03Z)
• Channel-Directed Gradients for Optimization of Convolutional Neural Networks [50.34913837546743]
  本稿では,畳み込みニューラルネットワークの最適化手法を提案する。 出力チャネル方向に沿って勾配を定義することで性能が向上し,他の方向が有害となることを示す。
  論文  参考訳（メタデータ） (2020-08-25T00:44:09Z)

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。