論文の概要: Neural Enhancement of Factor Graph-based Symbol Detection

• arxiv url: http://arxiv.org/abs/2203.03333v1
• Date: Mon, 7 Mar 2022 12:25:24 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-08 18:28:57.367869
• Title: Neural Enhancement of Factor Graph-based Symbol Detection
• Title（参考訳）: 因子グラフに基づくシンボル検出のニューラルエンハンスメント
• Authors: Luca Schmid and Laurent Schmalen
• Abstract要約: シンボル検出のための因子グラフフレームワークの線形シンボル間干渉チャネルへの応用について検討する。 本稿では,循環係数グラフに基づくシンボル検出アルゴリズムの性能向上のための戦略を提案し,評価する。
• 参考スコア（独自算出の注目度）: 2.030567625639093
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We study the application of the factor graph framework for symbol detection on linear inter-symbol interference channels. Cyclic factor graphs have the potential to yield low-complexity symbol detectors, but are suboptimal if the ubiquitous sum-product algorithm is applied. In this paper, we present and evaluate strategies to improve the performance of cyclic factor graph-based symbol detection algorithms by means of neural enhancement. In particular, we apply neural belief propagation as an effective way to counteract the effect of cycles within the factor graph. We further propose the application and optimization of a linear preprocessor of the channel output. By modifying the observation model, the preprocessing can effectively change the underlying factor graph, thereby significantly improving the detection performance as well as reducing the complexity.
• Abstract（参考訳）: シンボル検出のための因子グラフフレームワークの線形シンボル間干渉チャネルへの応用について検討する。 巡回因子グラフは、低複雑度記号検出器を生成する可能性を持つが、ユビキタスな和生成アルゴリズムを適用すると最適となる。 本稿では,ニューラルエンハンスメントを用いて,循環係数グラフに基づく記号検出アルゴリズムの性能を向上させるための戦略を提示し,評価する。 特に,因子グラフ内のサイクルの効果に対抗する効果的な方法として,神経信念伝播を適用する。 さらに,チャネル出力の線形プリプロセッサの適用と最適化について提案する。 観察モデルを変更することで、前処理は基礎となる因子グラフを効果的に変更し、検出性能を大幅に向上し、複雑さを低減できる。

関連論文リスト

• Learning signals defined on graphs with optimal transport and Gaussian process regression [1.1062090350704616]
  計算物理学において、機械学習は工学研究における効率的な候補設計を探索するための強力な補完ツールとして登場した。 本稿では,入力が大きく,連続ノード属性を持つ疎グラフと,関連する入力のノード上で定義された信号が出力となるガウス過程回帰の革新的な戦略を提案する。 信号予測の実現に加えて,提案手法の要点は,不確実性や能動学習に欠かせないノード値に対する信頼区間を持つことである。
  論文  参考訳（メタデータ） (2024-10-21T07:39:44Z)
• Local Message Passing on Frustrated Systems [1.7188280334580193]
  我々は、特に巡回グラフでうまく機能する代替メッセージパッシングアルゴリズムを探索する。 我々は、基礎となるグラフの係数ノードにおけるローカルなSPAメッセージ更新ルールを、データ駆動方式で最適化されたジェネリックマッピングに置き換える。 シンボル間干渉を伴う線形通信路上でのシンボル検出のための2x2完全連結イジング格子と因子グラフの2種類の循環グラフについて,本手法の評価を行った。
  論文  参考訳（メタデータ） (2023-06-02T12:42:09Z)
• Structural Optimization of Factor Graphs for Symbol Detection via Continuous Clustering and Machine Learning [1.5293427903448018]
  機械学習を用いて、基礎となる因子グラフの構造をエンドツーエンドに最適化する。 本研究では,この手法とニューラル信念の伝播を併用して,特定のチャネルに対する後部シンボル検出性能を最大に近いものにする手法について検討した。
  論文  参考訳（メタデータ） (2022-11-21T12:31:04Z)
• Causally-guided Regularization of Graph Attention Improves Generalizability [69.09877209676266]
  本稿では,グラフアテンションネットワークのための汎用正規化フレームワークであるCARを紹介する。 メソッド名は、グラフ接続に対するアクティブ介入の因果効果とアテンションメカニズムを一致させる。 ソーシャル・メディア・ネットワーク規模のグラフでは、CAR誘導グラフ再構成アプローチにより、グラフの畳み込み手法のスケーラビリティとグラフの注意力の向上を両立させることができる。
  論文  参考訳（メタデータ） (2022-10-20T01:29:10Z)
• Learning Graph Structure from Convolutional Mixtures [119.45320143101381]
  本稿では、観測されたグラフと潜伏グラフのグラフ畳み込み関係を提案し、グラフ学習タスクをネットワーク逆(デコンボリューション)問題として定式化する。 固有分解に基づくスペクトル法の代わりに、近似勾配反復をアンロール・トランケートして、グラフデコンボリューションネットワーク(GDN)と呼ばれるパラメータ化ニューラルネットワークアーキテクチャに到達させる。 GDNは、教師付き方式でグラフの分布を学習し、損失関数を適応させることでリンク予測やエッジウェイト回帰タスクを実行し、本質的に帰納的である。
  論文  参考訳（メタデータ） (2022-05-19T14:08:15Z)
• Low-complexity Near-optimum Symbol Detection Based on Neural Enhancement of Factor Graphs [2.030567625639093]
  本稿では,シンボル検出のための因子グラフフレームワークの線形シンボル間干渉チャネルへの応用について考察する。 ニューラルエンハンスメントによる因子グラフに基づくシンボル検出の性能向上のための戦略を開発し,評価する。
  論文  参考訳（メタデータ） (2022-03-30T15:58:53Z)
• Scaling Up Graph Neural Networks Via Graph Coarsening [18.176326897605225]
  グラフニューラルネットワーク(GNN)のスケーラビリティは、マシンラーニングにおける大きな課題のひとつだ。 本稿では,GNNのスケーラブルなトレーニングにグラフ粗大化を用いることを提案する。 既成の粗大化法を単純に適用すれば,分類精度を著しく低下させることなく,ノード数を最大10倍に削減できることを示す。
  論文  参考訳（メタデータ） (2021-06-09T15:46:17Z)
• Unrolling of Deep Graph Total Variation for Image Denoising [106.93258903150702]
  本稿では,従来のグラフ信号フィルタリングと深い特徴学習を併用して,競合するハイブリッド設計を提案する。 解釈可能な低パスグラフフィルタを用い、最先端のDL復調方式DnCNNよりも80%少ないネットワークパラメータを用いる。
  論文  参考訳（メタデータ） (2020-10-21T20:04:22Z)
• Offline detection of change-points in the mean for stationary graph signals [55.98760097296213]
  グラフ信号定常性の概念に依存するオフライン手法を提案する。 我々の検出器は、漸近的でない不等式オラクルの証拠を伴っている。
  論文  参考訳（メタデータ） (2020-06-18T15:51:38Z)
• Fast Graph Attention Networks Using Effective Resistance Based Graph Sparsification [70.50751397870972]
  FastGATは、スペクトルスペーシフィケーションを用いて、注目に基づくGNNを軽量にし、入力グラフの最適プルーニングを生成する手法である。 我々は,ノード分類タスクのための大規模実世界のグラフデータセット上でFastGATを実験的に評価した。
  論文  参考訳（メタデータ） (2020-06-15T22:07:54Z)
• Data-Driven Factor Graphs for Deep Symbol Detection [107.63351413549992]
  本稿では,因子グラフ法をデータ駆動方式で実装することを提案する。 特に,機械学習(ML)ツールを用いて因子グラフの学習を提案する。 我々は,BCJRNetと呼ばれる提案システムにおいて,BCJRアルゴリズムを小さなトレーニングセットから実装することを実証した。
  論文  参考訳（メタデータ） (2020-01-31T09:23:52Z)

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。