論文の概要: CSI Clustering with Variational Autoencoding
- arxiv url: http://arxiv.org/abs/2111.09758v1
- Date: Thu, 18 Nov 2021 15:38:54 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-19 18:22:12.358794
- Title: CSI Clustering with Variational Autoencoding
- Title（参考訳）: 変分オートエンコーディングによるcsiクラスタリング
- Authors: Michael Baur, Michael W\"urth, Vlad-Costin Andrei, Michael Koller,
Wolfgang Utschick
- Abstract要約: 本稿では,モデル順序に関するラベルのないチャネル状態情報を教師なしでグループ化するために,変分オートエンコーダを提案する。
この結果から, 適切なクラスタリングを学習するためには, 可変オートエンコーダデコーダに対して, よりフレキシブルな確率モデルを用いることが重要であることが示唆された。
- 参考スコア（独自算出の注目度）: 11.79281329070709
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The model order of a wireless channel plays an important role for a variety
of applications in communications engineering, e.g., it represents the number
of resolvable incident wavefronts with non-negligible power incident from a
transmitter to a receiver. Areas such as direction of arrival estimation
leverage the model order to analyze the multipath components of channel state
information. In this work, we propose to use a variational autoencoder to group
unlabeled channel state information with respect to the model order in the
variational autoencoder latent space in an unsupervised manner. We validate our
approach with simulated 3GPP channel data. Our results suggest that, in order
to learn an appropriate clustering, it is crucial to use a more flexible
likelihood model for the variational autoencoder decoder than it is usually the
case in standard applications.
- Abstract（参考訳）: 無線チャネルのモデル順序は、通信工学における様々な応用において重要な役割を果たし、例えば、送信機から受信機への非無視的な電力入射を伴う解決可能なインシデント・ウェーブフロントの数を表す。
到着方向推定のような領域は、チャネル状態情報のマルチパス成分を分析するためにモデル順序を利用する。
本研究では,変分オートエンコーダの潜在空間におけるモデル順序に関するラベルなしチャネル状態情報を教師なしでグループ化する変分オートエンコーダを提案する。
シミュレーションによる3gppチャネルデータによる検証を行った。
この結果から, 適切なクラスタリングを学習するためには, 標準アプリケーションの場合よりも, 可変オートエンコーダデコーダに柔軟な確率モデルを用いることが重要であることが示唆された。
関連論文リスト
- Semantic Communication for Cooperative Perception using HARQ [51.148203799109304]
我々は重要セマンティック情報を抽出するために重要地図を活用し、協調的な知覚セマンティックコミュニケーションフレームワークを導入する。
周波数分割多重化(OFDM)とチャネル推定と等化戦略を併用して,時間変化によるマルチパスフェーディングによる課題に対処する。
我々は,ハイブリッド自動繰り返し要求(HARQ)の精神において,我々の意味コミュニケーションフレームワークと統合された新しい意味エラー検出手法を提案する。
論文 参考訳（メタデータ） (2024-08-29T08:53:26Z) - Channel Modeling Aided Dataset Generation for AI-Enabled CSI Feedback: Advances, Challenges, and Solutions [31.112522142930125]
AI対応オートエンコーダは、周波数分割倍数(FDD)多重入力多重出力(MIMO)システムにおいてチャネル状態情報(CSI)フィードバックに大きな可能性を示した。
本稿では,限られたフィールドチャネルデータに基づいて,チャネルモデリング支援データ拡張手法を提案する。
論文 参考訳（メタデータ） (2024-07-01T01:37:30Z) - Attention Based Neural Networks for Wireless Channel Estimation [1.0499453838486013]
本稿では,アテンション機構を利用して最も重要な入力情報に注目するハイブリッドエンコーダデコーダ構造(HA02)を初めて提案する。
特に,変換器エンコーダブロックをエンコーダとして実装し,入力特徴の空間性を達成するとともに,残差ニューラルネットワークをデコーダとして実装する。
本シミュレーションは,チャネル推定のための他の候補ニューラルネットワーク手法と比較して,優れた推定性能を示す。
論文 参考訳（メタデータ） (2022-04-28T12:54:19Z) - Semi-Supervised Learning for Channel Charting-Aided IoT Localization in
Millimeter Wave Networks [97.66522637417636]
ミリ波ネットワークにおけるチャネルチャート(CC)支援の新たな枠組みを提案する。
特に,無線機器の3次元位置を推定するために,畳み込み型オートエンコーダモデルを提案する。
フレームワークは半教師付きフレームワークに拡張され、オートエンコーダは2つのコンポーネントに分割される。
論文 参考訳（メタデータ） (2021-08-03T14:41:38Z) - Domain Adaptation for Autoencoder-Based End-to-End Communication Over
Wireless Channels [26.101732193670873]
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。
論文 参考訳（メタデータ） (2021-08-02T13:18:40Z) - Autoencoding Variational Autoencoder [56.05008520271406]
我々は,この行動が学習表現に与える影響と,自己整合性の概念を導入することでそれを修正する結果について検討する。
自己整合性アプローチで訓練されたエンコーダは、敵攻撃による入力の摂動に対して頑健な(無神経な)表現につながることを示す。
論文 参考訳（メタデータ） (2020-12-07T14:16:14Z) - Learning from Heterogeneous EEG Signals with Differentiable Channel
Reordering [51.633889765162685]
CHARMは、一貫性のない入力チャネルをまたいだ単一のニューラルネットワークのトレーニング方法である。
我々は4つの脳波分類データセットの実験を行い、CHARMの有効性を実証した。
論文 参考訳（メタデータ） (2020-10-21T12:32:34Z) - Neural Communication Systems with Bandwidth-limited Channel [9.332315420944836]
情報損失にもかかわらずメッセージを確実に送信することは情報理論の中核的な問題である。
本研究では,帯域幅制限チャネル(BWLC)を用いた符号化学習について検討する。
論文 参考訳（メタデータ） (2020-03-30T11:58:30Z) - Data-Driven Symbol Detection via Model-Based Machine Learning [117.58188185409904]
機械学習(ML)とモデルベースアルゴリズムを組み合わせた,検出設計のシンボル化を目的とした,データ駆動型フレームワークについてレビューする。
このハイブリッドアプローチでは、よく知られたチャネルモデルに基づくアルゴリズムをMLベースのアルゴリズムで拡張し、チャネルモデル依存性を除去する。
提案手法は, 正確なチャネル入出力統計関係を知らなくても, モデルベースアルゴリズムのほぼ最適性能が得られることを示す。
論文 参考訳（メタデータ） (2020-02-14T06:58:27Z) - DeepSIC: Deep Soft Interference Cancellation for Multiuser MIMO
Detection [98.43451011898212]
複数のシンボルが同時に送信されるマルチユーザマルチインプットマルチアウトプット(MIMO)設定では、正確なシンボル検出が困難である。
本稿では,DeepSICと呼ぶ反復ソフト干渉キャンセリング(SIC)アルゴリズムの,データ駆動による実装を提案する。
DeepSICは、チャネルを線形にすることなく、限られたトレーニングサンプルから共同検出を行うことを学ぶ。
論文 参考訳（メタデータ） (2020-02-08T18:31:00Z)
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。