論文の概要: A Perspective on Neural Capacity Estimation: Viability and Reliability
- arxiv url: http://arxiv.org/abs/2203.11793v1
- Date: Tue, 22 Mar 2022 14:55:31 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-23 15:35:55.317142
- Title: A Perspective on Neural Capacity Estimation: Viability and Reliability
- Title(参考訳): ニューラルキャパシティ推定の展望:生存可能性と信頼性
- Authors: Farhad Mirkarimi, Stefano Rini
- Abstract要約: 文献に提案されているニューラル相互情報推定器 (NMIE) の性能について, キャパシティ推定問題に適用した場合に検討する。
上記のNMIEでは、キャパシティ推定は2つのディープニューラルネットワーク(DNN)に依存している。
我々はこれらのNMIEを, (i) AWGNチャネルのキャパシティ推定と (ii) キャパシティの不明なチャネルと連続的な入力の3つのシナリオでベンチマークする。
- 参考スコア(独自算出の注目度): 9.251773744318118
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recently, several methods have been proposed for estimating the mutual
information from sample data using deep neural networks and without the
knowledge of closed-form distribution of the data. This class of estimators is
referred to as neural mutual information estimators (NMIE). In this paper, we
investigate the performance of different NMIE proposed in the literature when
applied to the capacity estimation problem. In particular, we study the
performance of mutual information neural estimator (MINE), smoothed mutual
information lower-bound estimator (SMILE), and directed information neural
estimator (DINE). For the NMIE above, capacity estimation relies on two deep
neural networks (DNN): (i) one DNN generates samples from a distribution that
is learned, and (ii) a DNN to estimate the MI between the channel input and the
channel output. We benchmark these NMIE in three scenarios: (i) AWGN channel
capacity estimation and (ii) channels with unknown capacity and continuous
inputs i.e., optical intensity and peak-power constrained AWGN channel (iii)
channels with unknown capacity and a discrete number of mass points i.e.,
Poisson channel. Additionally, we also (iv) consider the extension to the MAC
capacity problem by considering the AWGN and optical MAC models.
- Abstract(参考訳): 近年,深層ニューラルネットワークを用いてサンプルデータから相互情報を推定する手法が提案されている。
このタイプの推定器は神経相互情報推定器(NMIE)と呼ばれる。
本稿では,キャパシティ推定問題に適用した場合に文献で提案する異なるnmieの性能について検討する。
特に、相互情報ニューラル推定器(MINE)、スムーズな相互情報ローバウンド推定器(SMILE)、有向情報ニューラル推定器(DINE)の性能について検討する。
上記のNMIEでは、キャパシティ推定は2つのディープニューラルネットワーク(DNN)に依存している。
i)1つのDNNが学習した分布からサンプルを生成し、
2)チャネル入力とチャネル出力との間のMIを推定するDNN。
これらのNMIEを3つのシナリオでベンチマークします。
(i)AWGNチャネル容量の推定と評価
(II)キャパシティの不明なチャネルと連続入力、すなわち光強度とピークパワー制約AWGNチャネル
(iii)未知の容量と離散的な質量点を持つチャネル、すなわちポアソンチャネル。
さらに 私たちも
(4) AWGNと光MACモデルを考慮してMAC容量問題の拡張を考える。
関連論文リスト
- Delay Neural Networks (DeNN) for exploiting temporal information in event-based datasets [49.1574468325115]
遅延ニューラルネットワーク(DeNN)は、前方と後方の両方でスパイクの正確な時間的情報を明示的に使用するように設計されている。
特に時間情報が重要であるデータセットでは、優れたパフォーマンスが得られます。
論文 参考訳(メタデータ) (2025-01-10T14:58:15Z) - Patch-CNN: Training data-efficient deep learning for high-fidelity
diffusion tensor estimation from minimal diffusion protocols [3.0416974614291226]
6方向拡散重み付き画像(DWI)のみからの拡散テンソル(DT)推定のための新しい手法であるPatch-CNNを提案する。
イメージワイドFCNと比較すると、最小限のカーネルはトレーニングデータ要求を大幅に削減する。
改良された繊維配向推定は、改良されたトラクトグラムを生成する。
論文 参考訳(メタデータ) (2023-07-03T20:39:48Z) - Efficient Uncertainty Estimation in Spiking Neural Networks via
MC-dropout [3.692069129522824]
スパイキングニューラルネットワーク(SNN)は、生物学的ニューロンのスパースとイベント駆動通信のモデルとして注目されている。
SNNにおける不確実性推定のための効率的なモンテカルロ・ドロップアウト手法を提案する。
論文 参考訳(メタデータ) (2023-04-20T10:05:57Z) - Variational Neural Networks [88.24021148516319]
本稿では,変分ニューラルネットワーク(VNN)と呼ばれるニューラルネットワークにおける不確実性推定手法を提案する。
VNNは、学習可能なサブレイヤで入力を変換することで、レイヤの出力分布のパラメータを生成する。
不確実性評価実験において、VNNはモンテカルロ・ドロップアウトやベイズ・バイ・バックプロパゲーション法よりも優れた不確実性が得られることを示す。
論文 参考訳(メタデータ) (2022-07-04T15:41:02Z) - Deep Learning-Based Synchronization for Uplink NB-IoT [72.86843435313048]
狭帯域モノのインターネット(NB-IoT)における狭帯域物理ランダムアクセスチャネル(NPRACH)のデバイス検出と到着時刻推定のためのニューラルネットワーク(NN)に基づくアルゴリズムを提案する。
導入されたNNアーキテクチャは、残余の畳み込みネットワークと、5Gニューラジオ(5G NR)仕様のプリアンブル構造に関する知識を利用する。
論文 参考訳(メタデータ) (2022-05-22T12:16:43Z) - Neural Capacity Estimators: How Reliable Are They? [14.904387585122851]
我々は、相互情報神経推定器(MINE)、スムーズな相互情報下界推定器(SMILE)、情報指向神経推定器(DINE)の性能について検討した。
我々は,AWGNチャネル,光強度チャネル,ピーク電力制約AWGNチャネルに接近する入力分布を学習する能力の観点から,これらのアルゴリズムを評価する。
論文 参考訳(メタデータ) (2021-11-14T18:14:53Z) - Learning to Perform Downlink Channel Estimation in Massive MIMO Systems [72.76968022465469]
大規模マルチインプット・マルチアウトプット(MIMO)システムにおけるダウンリンク(DL)チャネル推定について検討する。
一般的なアプローチは、チャネル硬化によって動機付けられた推定値として平均値を使用することである。
本稿では2つの新しい推定法を提案する。
論文 参考訳(メタデータ) (2021-09-06T13:42:32Z) - Learning to Estimate RIS-Aided mmWave Channels [50.15279409856091]
そこでは,観測観測のために,既知の基地局とRIS位相制御行列を併用したアップリンクチャネル推定手法を提案する。
推定性能を向上し, トレーニングオーバーヘッドを低減するため, 深部展開法において, mmWaveチャネルの固有チャネル幅を生かした。
提案したディープ・アンフォールディング・ネットワーク・アーキテクチャは,トレーニングオーバーヘッドが比較的小さく,オンライン計算の複雑さも比較的小さく,最小二乗法(LS)法より優れていることが確認された。
論文 参考訳(メタデータ) (2021-07-27T06:57:56Z) - State and Topology Estimation for Unobservable Distribution Systems
using Deep Neural Networks [8.673621107750652]
リアルタイムオブザーバビリティが制限されているため,再構成可能な分散ネットワークの時間同期状態推定は困難である。
本論文では,深層学習(DL)に基づくトポロジー同定(TI)と不均衡な3相分布系状態推定(DSSE)の手法を定式化する。
2つのディープニューラルネットワーク(DNN)は、同期失調症測定装置(SMD)によって不完全に観察されるシステムに対して、TIおよびDSSEを実装するために順次動作するように訓練されます。
論文 参考訳(メタデータ) (2021-04-15T02:46:50Z) - Deep Networks for Direction-of-Arrival Estimation in Low SNR [89.45026632977456]
我々は,真の配列多様体行列の変異チャネルデータから学習した畳み込みニューラルネットワーク(CNN)を導入する。
我々は低SNR体制でCNNを訓練し、すべてのSNRでDoAを予測する。
私たちの堅牢なソリューションは、ワイヤレスアレイセンサーから音響マイクロフォンやソナーまで、いくつかの分野に適用できます。
論文 参考訳(メタデータ) (2020-11-17T12:52:18Z)
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。