Fugu-MT 論文翻訳(概要): BayesAoA: A Bayesian method for Computation Efficient Angle of Arrival Estimation

論文の概要: BayesAoA: A Bayesian method for Computation Efficient Angle of Arrival Estimation

arxiv url: http://arxiv.org/abs/2110.07992v1
Date: Fri, 15 Oct 2021 10:30:09 GMT
ステータス: 処理完了
システム内更新日: 2021-10-18 15:19:27.461289
Title: BayesAoA: A Bayesian method for Computation Efficient Angle of Arrival Estimation
Title（参考訳）: bayesaoa:到着推定の効率的な角度を計算するためのベイズ法
Authors: Akshay Sharma, Nancy Nayak and Sheetal Kalyani
Abstract要約: 提案手法は複雑ではなく,従来のディープラーニング手法よりも少ない計算資源を必要とする。ブルートフォース法よりも早く収束する。この手法は、ノイズ分散のチャネルで92%の精度を10〜6ドル、ブルートフォース法の計算で19.3%の精度で達成する。
参考スコア（独自算出の注目度）: 13.276718824153589
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The angle of Arrival (AoA) estimation is of great interest in modern communication systems. Traditional maximum likelihood-based iterative algorithms are sensitive to initialization and cannot be used online. We propose a Bayesian method to find AoA that is insensitive towards initialization. The proposed method is less complex and needs fewer computing resources than traditional deep learning-based methods. It has a faster convergence than the brute-force methods. Further, a Hedge type solution is proposed that helps to deploy the method online to handle the situations where the channel noise and antenna configuration in the receiver change over time. The proposed method achieves $92\%$ accuracy in a channel of noise variance $10^{-6}$ with $19.3\%$ of the brute-force method's computation.
Abstract（参考訳）: Arrival (AoA) 推定の角度は、現代の通信システムにおいて非常に興味深い。従来の最大確率に基づく反復アルゴリズムは初期化に敏感であり、オンラインでは使用できない。我々は初期化に敏感なaoaを見つけるためのベイズ法を提案する。提案手法は,従来の深層学習手法よりも複雑で少ない計算資源を必要とする。ブルート・フォース法よりも高速に収束する。さらに,チャネルノイズや受信機のアンテナ構成が時間とともに変化する状況に対処するため,オンラインに展開するためのヘッジ型ソリューションを提案する。提案手法は, ブライトフォース法の計算値の19.3 %のノイズ分散10^{-6}$のチャネルにおいて, 92 %の精度を達成している。

関連論文リスト

A Sample Efficient Alternating Minimization-based Algorithm For Robust Phase Retrieval [56.67706781191521]
そこで本研究では,未知の信号の復元を課題とする,ロバストな位相探索問題を提案する。提案するオラクルは、単純な勾配ステップと外れ値を用いて、計算学的スペクトル降下を回避している。
論文参考訳（メタデータ） (2024-09-07T06:37:23Z)
Sparser, Better, Deeper, Stronger: Improving Sparse Training with Exact Orthogonal Initialization [49.06421851486415]
静的スパーストレーニングは、スパースモデルをスクラッチからトレーニングすることを目的としており、近年顕著な成果を上げている。ランダムなアジェンダ回転に基づく新しいスパースな直交初期化スキームであるExact Orthogonal Initialization (EOI)を提案する。本手法は,残差接続や正規化を伴わずに,1000層ネットワークとCNNネットワークを疎結合に訓練することができる。
論文参考訳（メタデータ） (2024-06-03T19:44:47Z)
Predicted Embedding Power Regression for Large-Scale Out-of-Distribution Detection [77.1596426383046]
本研究では,学習過程において学習したラベル分布に基づいて,予測されたクラスラベルの確率を計算する手法を開発した。提案手法は,計算コストの最小化のみで,現在の最先端手法よりも優れた性能を発揮する。
論文参考訳（メタデータ） (2023-03-07T18:28:39Z)
Federated Learning with a Sampling Algorithm under Isoperimetry [9.990687944474738]
フェデレーション学習は、機械学習アルゴリズムのトレーニングを複数のデバイスに効率的に分散するために、一連のテクニックを使用する。本稿では,Langevinvin のサンプル Aafteri の通信効率のよい変種を提案する。
論文参考訳（メタデータ） (2022-06-02T08:19:03Z)
A Fast and Accurate Splitting Method for Optimal Transport: Analysis and Implementation [19.6590956326761]
我々は,高速かつ信頼性の高い大規模最適輸送(OT)問題を,前例のない速度と精度の組み合わせで解く方法を開発した。ダグラス・ラフフォード分割法に基づいて構築され、近似正規化問題を解く代わりに、元のOT問題に直接取り組んだ。
論文参考訳（メタデータ） (2021-10-22T12:16:08Z)
Machine Learning for Online Algorithm Selection under Censored Feedback [71.6879432974126]
オンラインアルゴリズム選択(OAS)では、アルゴリズム問題クラスのインスタンスがエージェントに次々に提示され、エージェントは、固定された候補アルゴリズムセットから、おそらく最高のアルゴリズムを迅速に選択する必要がある。 SAT(Satisfiability)のような決定問題に対して、品質は一般的にアルゴリズムのランタイムを指す。本研究では,OASのマルチアームバンディットアルゴリズムを再検討し,この問題に対処する能力について議論する。ランタイム指向の損失に適応し、時間的地平線に依存しない空間的・時間的複雑さを維持しながら、部分的に検閲されたデータを可能にする。
論文参考訳（メタデータ） (2021-09-13T18:10:52Z)
Sparse online variational Bayesian regression [0.0]
完全ベイズアプローチに代わる安価でスケーラブルな代替手段としてのバリエーションベイズ推論。線形モデルの場合、この方法は決定論的最小二乗問題の反復解のみを必要とする。大きな p の場合、近似は計算とメモリの両方において o(p) のコストの有望な結果が得られる。
論文参考訳（メタデータ） (2021-02-24T12:49:42Z)
Variance Penalized On-Policy and Off-Policy Actor-Critic [60.06593931848165]
本稿では,平均値と変動値の両方を含むパフォーマンス基準を最適化する,オン・ポリティィおよびオフ・ポリティィ・アクター・クリティカルなアルゴリズムを提案する。提案手法は, アクタ批判的かつ事前の分散-ペナライゼーションベースラインに匹敵するだけでなく, リターンのばらつきが低いトラジェクトリも生成する。
論文参考訳（メタデータ） (2021-02-03T10:06:16Z)
Average-Reward Off-Policy Policy Evaluation with Function Approximation [66.67075551933438]
平均報酬MDPの関数近似によるオフポリシ政策評価を検討する。ブートストラップは必要であり、オフポリシ学習とFAと一緒に、致命的なトライアドをもたらす。そこで本研究では,勾配型tdアルゴリズムの成功を再現する2つの新しいアルゴリズムを提案する。
論文参考訳（メタデータ） (2021-01-08T00:43:04Z)
Second-order Neural Network Training Using Complex-step Directional Derivative [41.4333906662624]
本稿では,2次ニューラルネットワークトレーニングのための数値アルゴリズムを提案する。複素ステップ有限差分を用いてヘッセン計算の実践的障害に取り組む。提案手法は,ディープラーニングと数値最適化のための新しいアルゴリズムを広範囲に導入すると考えられる。
論文参考訳（メタデータ） (2020-09-15T13:46:57Z)
Learning and Planning in Average-Reward Markov Decision Processes [15.586087060535398]
我々は,平均回帰MDPの学習と計画アルゴリズムを導入する。全てのアルゴリズムは,平均報酬の推定値を更新する際に,従来の誤差よりも時間差誤差を用いている。
論文参考訳（メタデータ） (2020-06-29T19:03:24Z)

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。