論文の概要: DRF Codes: Deep SNR-Robust Feedback Codes

• arxiv url: http://arxiv.org/abs/2112.11789v1
• Date: Wed, 22 Dec 2021 10:47:25 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-23 16:26:08.266354
• Title: DRF Codes: Deep SNR-Robust Feedback Codes
• Title（参考訳）: DRFコード: ディープSNR-Robustフィードバックコード
• Authors: Mahdi Boloursaz Mashhadi, Deniz Gunduz, Alberto Perotti, and Branislav Popovic
• Abstract要約: 本稿では,DNN(Deep-neural-network)に基づく誤り訂正符号を提案する。 付加的な白色ガウス雑音 (AWGN) チャネルにおけるSNR損耗率と誤り率の両面から, DRF符号の精度は, 高い結果が得られた。
• 参考スコア（独自算出の注目度）: 2.6074034431152344
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: We present a new deep-neural-network (DNN) based error correction code for fading channels with output feedback, called deep SNR-robust feedback (DRF) code. At the encoder, parity symbols are generated by a long short term memory (LSTM) network based on the message as well as the past forward channel outputs observed by the transmitter in a noisy fashion. The decoder uses a bi-directional LSTM architecture along with a signal to noise ratio (SNR)-aware attention NN to decode the message. The proposed code overcomes two major shortcomings of the previously proposed DNN-based codes over channels with passive output feedback: (i) the SNR-aware attention mechanism at the decoder enables reliable application of the same trained NN over a wide range of SNR values; (ii) curriculum training with batch-size scheduling is used to speed up and stabilize training while improving the SNR-robustness of the resulting code. We show that the DRF codes significantly outperform state-of-the-art in terms of both the SNR-robustness and the error rate in additive white Gaussian noise (AWGN) channel with feedback. In fading channels with perfect phase compensation at the receiver, DRF codes learn to efficiently exploit knowledge of the instantaneous fading amplitude (which is available to the encoder through feedback) to reduce the overhead and complexity associated with channel estimation at the decoder. Finally, we show the effectiveness of DRF codes in multicast channels with feedback, where linear feedback codes are known to be strictly suboptimal.
• Abstract（参考訳）: 本稿では,drf(deep snr-robust feedback)コードと呼ばれる,出力フィードバックを伴うチャネルのフェージングに対する新しいディープニューラルネットワーク(dnn)に基づく誤り訂正コードを提案する。 エンコーダでは、メッセージに基づいて長期記憶(LSTM)ネットワークによってパリティシンボルが生成され、送信者によって観測された過去の前方チャネル出力がノイズの多い方法で出力される。 復号器は双方向LSTMアーキテクチャと信号対雑音比(SNR)対応の注目NNを用いてメッセージを復号する。 提案するコードは、受動的出力フィードバックを伴うチャネル上で提案されているdnnベースのコードの2つの大きな欠点を克服する。 (i)デコーダにおけるSNR対応アテンション機構は、広範囲のSNR値に対して同一のトレーニングNNの信頼性の高い適用を可能にする。 (ii) バッチスケジューリングによるカリキュラムトレーニングは、生成したコードのsnr-robustnessを改善しながら、トレーニングのスピードアップと安定化に使用される。 付加的な白色ガウス雑音 (AWGN) チャネルにおけるSNR損耗率と誤り率の両面から, DRF符号の精度は有意に向上した。 drf符号は、受信機で完全な位相補償を行うフェージングチャネルにおいて、瞬時フェージング振幅(フィードバックによってエンコーダが利用できる)の知識を効率的に活用し、デコーダにおけるチャネル推定に伴うオーバーヘッドと複雑さを低減する。 最後に,線形フィードバック符号が厳密な準最適であることが知られているマルチキャストチャネルにおけるDRF符号の有効性を示す。

関連論文リスト

• Joint Channel Estimation and Feedback with Masked Token Transformers in Massive MIMO Systems [74.52117784544758]
  本稿では,CSI行列内の固有周波数領域相関を明らかにするエンコーダデコーダに基づくネットワークを提案する。 エンコーダ・デコーダネットワーク全体がチャネル圧縮に使用される。 提案手法は,共同作業における現状のチャネル推定およびフィードバック技術より優れる。
  論文  参考訳（メタデータ） (2023-06-08T06:15:17Z)
• Robust Non-Linear Feedback Coding via Power-Constrained Deep Learning [7.941112438865385]
  我々は,チャネルノイズに対するロバスト性を大幅に向上させる非線形フィードバック符号の新たなファミリーを開発する。 我々のオートエンコーダベースのアーキテクチャは、連続するビットブロックに基づいてコードを学ぶように設計されている。 提案手法は, 現実的なフォワードやフィードバックノイズシステムよりも, 最先端のフィードバックコードよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-04-25T22:21:26Z)
• 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)
• Feedback is Good, Active Feedback is Better: Block Attention Active Feedback Codes [13.766611137136168]
  GBAF符号は、アクティブなフィードバックを持つチャネルでも使用できることを示す。 送信機と受信機にトランスフォーマーアーキテクチャを実装し,相互に順次対話する。 我々は,特に低SNR体制下で,最先端のBLER性能を実現する。
  論文  参考訳（メタデータ） (2022-11-03T11:44:06Z)
• Denoising Diffusion Error Correction Codes [92.10654749898927]
  近年、ニューラルデコーダは古典的デコーダ技術に対する優位性を実証している。 最近の最先端のニューラルデコーダは複雑で、多くのレガシデコーダの重要な反復的スキームが欠如している。 本稿では,任意のブロック長の線形符号のソフトデコードにデノナイズ拡散モデルを適用することを提案する。
  論文  参考訳（メタデータ） (2022-09-16T11:00:50Z)
• Two-Timescale End-to-End Learning for Channel Acquisition and Hybrid Precoding [94.40747235081466]
  本研究では,ミリ波(mmWave)大規模マルチインプット多重出力(MIMO)システムのためのエンドツーエンドの深層学習に基づくジョイントトランスシーバ設計アルゴリズムを提案する。 我々は受信したパイロットを受信機でフィードバックビットにマッピングし、さらに送信機でハイブリッドプリコーダにフィードバックビットをマッピングするDNNアーキテクチャを開発した。
  論文  参考訳（メタデータ） (2021-10-22T20:49:02Z)
• Deep Extended Feedback Codes [9.112162560071937]
  DEFアーキテクチャのエンコーダは情報メッセージを送信し、その後にパリティシンボルのシーケンスが続く。 DEFコードはDeepcodeをいくつかの方法で一般化し、より良いエラー修正機能を提供します。 性能評価では、DEF符号はフィードバックのあるチャンネルの他のDNN符号よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2021-05-04T08:41:14Z)
• Model-Driven Deep Learning Based Channel Estimation and Feedback for Millimeter-Wave Massive Hybrid MIMO Systems [61.78590389147475]
  本稿では,ミリ波(mmWave)システムのモデル駆動深層学習(MDDL)に基づくチャネル推定とフィードバック方式を提案する。 無線周波数(RF)鎖の限られた数から高次元チャネルを推定するためのアップリンクパイロットオーバーヘッドを低減するために,位相シフトネットワークとチャネル推定器を自動エンコーダとして共同で訓練することを提案する。 MDDLに基づくチャネル推定とフィードバック方式は,最先端の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-04-22T13:34:53Z)
• Doubly Residual Neural Decoder: Towards Low-Complexity High-Performance Channel Decoding [19.48350605321212]
  ディープニューラルネットワークは、デコード性能を改善するためにチャネル符号化に成功している。 二重残留ニューラルネットワーク(DRN)デコーダを提案する。 DRNは、複雑さを低く保ちながら、大幅なデコードパフォーマンスの改善を可能にする。
  論文  参考訳（メタデータ） (2021-02-08T01:48:16Z)
• Deep Denoising Neural Network Assisted Compressive Channel Estimation for mmWave Intelligent Reflecting Surfaces [99.34306447202546]
  本稿では,mmWave IRSシステムに対するディープデノイングニューラルネットワークを用いた圧縮チャネル推定法を提案する。 我々はまず、受信チェーンをほとんど使わず、アップリンクのユーザ-IRSチャネルを推定するハイブリッド・パッシブ/アクティブIRSアーキテクチャを導入する。 完全チャネル行列は、圧縮センシングに基づいて限られた測定値から再構成することができる。
  論文  参考訳（メタデータ） (2020-06-03T12:18:57Z)

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。