論文の概要: Gan-Based Joint Activity Detection and Channel Estimation For Grant-free Random Access

• arxiv url: http://arxiv.org/abs/2204.01731v1
• Date: Mon, 4 Apr 2022 12:35:37 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-06 14:44:44.674469
• Title: Gan-Based Joint Activity Detection and Channel Estimation For Grant-free Random Access
• Title（参考訳）: グラントフリーランダムアクセスのためのガンベースジョイントアクティビティ検出とチャネル推定
• Authors: Shuang Liang, Yinan Zou, and Yong Zhou
• Abstract要約: JADCE問題に対処するために,GAN(Generative Adversarial Network)に基づく新しいモデル自由学習手法を提案する。 擬似逆数の性質を活用することにより、アフィン投影とスキップ接続を用いてジェネレータを洗練する。 提案手法は, 高SNR方式における既存手法よりも優れていることを示す。
• 参考スコア（独自算出の注目度）: 10.586509586304771
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Joint activity detection and channel estimation (JADCE) for grant-free random access is a critical issue that needs to be addressed to support massive connectivity in IoT networks. However, the existing model-free learning method can only achieve either activity detection or channel estimation, but not both. In this paper, we propose a novel model-free learning method based on generative adversarial network (GAN) to tackle the JADCE problem. We adopt the U-net architecture to build the generator rather than the standard GAN architecture, where a pre-estimated value that contains the activity information is adopted as input to the generator. By leveraging the properties of the pseudoinverse, the generator is refined by using an affine projection and a skip connection to ensure the output of the generator is consistent with the measurement. Moreover, we build a two-layer fully-connected neural network to design pilot matrix for reducing the impact of receiver noise. Simulation results show that the proposed method outperforms the existing methods in high SNR regimes, as both data consistency projection and pilot matrix optimization improve the learning ability.
• Abstract（参考訳）: 許可のないランダムアクセスのための共同アクティビティ検出とチャネル推定(JADCE)は、IoTネットワークにおける大規模な接続をサポートするために対処する必要がある重要な問題である。 しかし,既存のモデルフリー学習手法は,活動検出とチャネル推定の両方しか達成できない。 本稿では,JADCE問題に対処するGAN(Generative Adversarial Network)に基づく新しいモデル自由学習手法を提案する。 我々は、標準的なGANアーキテクチャではなく、U-netアーキテクチャを用いてジェネレータを構築し、そのジェネレータへの入力として、アクティビティ情報を含む事前推定値を採用する。 擬似逆の特性を利用してアフィン射影とスキップ接続を用いて生成器を洗練し、生成器の出力が測定と一致していることを保証する。 さらに,2層完全接続ニューラルネットワークを構築し,受話器ノイズの影響を低減するパイロットマトリックスの設計を行った。 シミュレーションの結果,提案手法は,データ整合性予測とパイロット行列最適化の両方が学習能力を向上させるため,高SNR方式の既存手法よりも優れていることがわかった。

関連論文リスト

• Adaptive Anomaly Detection in Network Flows with Low-Rank Tensor Decompositions and Deep Unrolling [9.20186865054847]
  異常検出(AD)は、将来の通信システムのレジリエンスを確保するための重要な要素として、ますます認識されている。 この研究は、不完全測定を用いたネットワークフローにおけるADについて考察する。 本稿では,正規化モデル適合性に基づくブロック帰属凸近似アルゴリズムを提案する。 ベイズ的アプローチに触発されて、我々はモデルアーキテクチャを拡張し、フローごとのオンライン適応とステップごとの統計処理を行う。
  論文  参考訳（メタデータ） (2024-09-17T19:59:57Z)
• SIRST-5K: Exploring Massive Negatives Synthesis with Self-supervised Learning for Robust Infrared Small Target Detection [53.19618419772467]
  単一フレーム赤外線小ターゲット検出(SIRST)は、乱雑な背景から小さなターゲットを認識することを目的としている。 Transformerの開発に伴い、SIRSTモデルのスケールは常に増大している。 赤外線小ターゲットデータの多彩な多様性により,本アルゴリズムはモデル性能と収束速度を大幅に改善する。
  論文  参考訳（メタデータ） (2024-03-08T16:14:54Z)
• Model-Driven Deep Learning for Non-Coherent Massive Machine-Type Communications [37.35929546347294]
  大規模機械型通信(mMTC)における1相非コヒーレント方式を用いた共同装置の動作とデータ検出について検討した。 非コヒーレント伝送方式によって導入された相関した疎結合パターンのため、従来のAMPアルゴリズムでは良好な性能が得られない。 本稿では,パイロット活動相関を効果的に活用して検出性能を向上させる深層学習改良AMPネットワーク(DL-mAMPnet)を提案する。
  論文  参考訳（メタデータ） (2023-01-02T04:02:32Z)
• Time-Correlated Sparsification for Efficient Over-the-Air Model Aggregation in Wireless Federated Learning [23.05003652536773]
  Federated Edge Learning(FEEL)は、エッジインテリジェンスアプリケーションを駆動するための有望な分散機械学習(ML)フレームワークである。 通信効率の高いFEELのためのハイブリッドアグリゲーション(TCS-H)を用いた時間相関スペーシングを提案する。
  論文  参考訳（メタデータ） (2022-02-17T02:48:07Z)
• Robust lEarned Shrinkage-Thresholding (REST): Robust unrolling for sparse recover [87.28082715343896]
  我々は、モデルミス特定を前進させるのに堅牢な逆問題を解決するためのディープニューラルネットワークについて検討する。 我々は,アルゴリズムの展開手法を根底にある回復問題のロバストバージョンに適用することにより,新しい堅牢なディープニューラルネットワークアーキテクチャを設計する。 提案したRESTネットワークは,圧縮センシングとレーダイメージングの両問題において,最先端のモデルベースおよびデータ駆動アルゴリズムを上回る性能を示す。
  論文  参考訳（メタデータ） (2021-10-20T06:15:45Z)
• 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)
• Deep Learning-Based Active User Detection for Grant-free SCMA Systems [12.565459084483045]
  グループベースのディープニューラルネットワークアクティブユーザ検出方式を2つ提案する。 スキームは非線形マッピング、すなわち多次元コードブック構造とチャネル特性を学ぶ。 オフラインで事前訓練されたモデルは、チャネル状態情報なしでアクティブなデバイスを検出することができる。
  論文  参考訳（メタデータ） (2021-06-21T15:34:14Z)
• LoRD-Net: Unfolded Deep Detection Network with Low-Resolution Receivers [104.01415343139901]
  本稿では,1ビット計測から情報シンボルを復元する「LoRD-Net」というディープ検出器を提案する。 LoRD-Netは、関心のシグナルを回復するためのタスクベースのアーキテクチャである。 無線通信における1ビット信号回復のためのレシーバアーキテクチャの評価を行った。
  論文  参考訳（メタデータ） (2021-02-05T04:26:05Z)
• Robust Attack Detection Approach for IIoT Using Ensemble Classifier [0.0]
  目的は、IIoTネットワークの信頼性を高めるために、2相異常検出モデルを開発することである。 提案されたモデルは、WUSTL_IIOT-2018、N_Ba IoT、Bot_IoTなどの標準的なIoT攻撃オフレーヤでテストされている。 また,提案モデルが従来の手法より優れており,IIoTネットワークの信頼性が向上していることを示す。
  論文  参考訳（メタデータ） (2021-01-30T07:21:44Z)
• Unpaired Image Enhancement with Quality-Attention Generative Adversarial Network [92.01145655155374]
  品質の注意を払わないデータに基づいて訓練された生成敵対ネットワーク(QAGAN)を提案する。 提案されたQAGANの重要な新規性は、ジェネレータの注入されたQAMにある。 提案手法は客観的評価と主観評価の両方において良好な性能を実現する。
  論文  参考訳（メタデータ） (2020-12-30T05:57:20Z)
• DAIS: Automatic Channel Pruning via Differentiable Annealing Indicator Search [55.164053971213576]
  畳み込みニューラルネットワークは,計算オーバーヘッドが大きいにもかかわらず,コンピュータビジョンタスクの実行において大きな成功を収めている。 構造的(チャネル)プルーニングは、通常、ネットワーク構造を保ちながらモデルの冗長性を低減するために適用される。 既存の構造化プルーニング法では、手作りのルールが必要であり、これは大きなプルーニング空間に繋がる可能性がある。
  論文  参考訳（メタデータ） (2020-11-04T07:43:01Z)

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。