論文の概要: Low-complexity Near-optimum Symbol Detection Based on Neural Enhancement
of Factor Graphs
- arxiv url: http://arxiv.org/abs/2203.16417v1
- Date: Wed, 30 Mar 2022 15:58:53 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-31 16:55:07.756832
- Title: Low-complexity Near-optimum Symbol Detection Based on Neural Enhancement
of Factor Graphs
- Title（参考訳）: 因子グラフのニューラルエンハンスメントに基づく低複雑さ近傍最適シンボル検出
- Authors: Luca Schmid, Laurent Schmalen
- Abstract要約: 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。
- 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 consider the application of the factor graph framework for symbol
detection on linear inter-symbol interference channels. Based on the Ungerboeck
observation model, a detection algorithm with appealing complexity properties
can be derived. However, since the underlying factor graph contains cycles, the
sum-product algorithm (SPA) yields a suboptimal algorithm. In this paper, we
develop and evaluate efficient strategies to improve the performance of the
factor graph-based symbol detection by means of neural enhancement. In
particular, we consider neural belief propagation as an effective way to
mitigate the effect of cycles within the factor graph. We also investigate the
application of factor node generalizations and pruning techniques. By applying
a generic preprocessor to the channel output, we propose a simple technique to
vary the underlying factor graph in every SPA iteration. Using this dynamic
factor graph transition, we intend to preserve the extrinsic nature of the SPA
messages which is otherwise impaired due to cycles. Simulation results show
that the proposed methods can massively improve the detection performance, even
approaching the maximum a posteriori performance for various transmission
scenarios, while preserving a complexity which is linear in both the block
length and the channel memory.
- 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を検討する。
ungerboeckの観測モデルに基づいて、複雑性特性に訴える検出アルゴリズムを導出することができる。
しかし、基礎となる因子グラフはサイクルを含むため、和積アルゴリズム(SPA)は準最適アルゴリズムを生成する。
本稿では,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効率的な手法を開発し,評価する。
特に、因子グラフ内のサイクルの効果を緩和するための効果的な方法として、神経信念伝播を考える。
また,因子ノードの一般化とプルーニング手法の適用について検討する。
チャネル出力にジェネリックプリプロセッサを適用することにより、SPAイテレーション毎に基礎となる因子グラフを変更するための簡単な手法を提案する。
この動的因子グラフ遷移を用いることで、サイクルによって障害を受けるSPAメッセージの外在的な性質を保ちたい。
シミュレーションの結果,提案手法はブロック長とチャネルメモリの双方において線形な複雑さを維持しつつ,各種伝送シナリオの最大後続性能に接近しても検出性能を大幅に向上できることがわかった。
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) - Learning Unnormalized Statistical Models via Compositional Optimization [73.30514599338407]
実データと人工雑音のロジスティックな損失として目的を定式化することにより, ノイズコントラスト推定(NCE)を提案する。
本稿では,非正規化モデルの負の対数類似度を最適化するための直接的アプローチについて検討する。
論文 参考訳（メタデータ） (2023-06-13T01:18:16Z) - 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) - Oversquashing in GNNs through the lens of information contraction and
graph expansion [6.8222473597904845]
本稿では,情報収縮に基づく過疎分析のためのフレームワークを提案する。
オーバーカッシングを緩和するグラフ再配線アルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-08-06T08:44:39Z) - Deep Equilibrium Assisted Block Sparse Coding of Inter-dependent
Signals: Application to Hyperspectral Imaging [71.57324258813675]
相互依存信号のデータセットは、列が強い依存を示す行列として定義される。
ニューラルネットワークは、事前に構造として機能し、基礎となる信号相互依存性を明らかにするために使用される。
ディープ・アンローリングとディープ・平衡に基づくアルゴリズムが開発され、高度に解釈可能で簡潔なディープ・ラーニング・ベース・アーキテクチャを形成する。
論文 参考訳（メタデータ） (2022-03-29T21:00:39Z) - Neural Enhancement of Factor Graph-based Symbol Detection [2.030567625639093]
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。
論文 参考訳（メタデータ） (2022-03-07T12:25:24Z) - Graph Signal Restoration Using Nested Deep Algorithm Unrolling [85.53158261016331]
グラフ信号処理は、センサー、社会交通脳ネットワーク、ポイントクラウド処理、グラフネットワークなど、多くのアプリケーションにおいてユビキタスなタスクである。
凸非依存型深部ADMM(ADMM)に基づく2つの復元手法を提案する。
提案手法のパラメータはエンドツーエンドでトレーニング可能である。
論文 参考訳（メタデータ） (2021-06-30T08:57:01Z) - 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) - 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。