論文の概要: Multi-task Deep Neural Networks for Massive MIMO CSI Feedback
- arxiv url: http://arxiv.org/abs/2204.12442v1
- Date: Mon, 18 Apr 2022 12:43:05 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-01 08:49:18.055829
- Title: Multi-task Deep Neural Networks for Massive MIMO CSI Feedback
- Title（参考訳）: 大規模MIMO CSIフィードバックのためのマルチタスクディープニューラルネットワーク
- Authors: Boyuan Zhang, Haozhen Li, Xin Liang, Xinyu Gu, Lin Zhang
- Abstract要約: フィードバックネットワークの実現可能性を改善するために,マルチタスク学習に基づくアプローチを提案する。
実験結果から,提案したマルチタスク学習手法により,総合的なフィードバック性能が達成できることが示唆された。
- 参考スコア（独自算出の注目度）: 4.985679007615566
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep learning has been widely applied for the channel state information (CSI)
feedback in frequency division duplexing (FDD) massive multiple-input
multiple-output (MIMO) system. For the typical supervised training of the
feedback model, the requirements of large amounts of task-specific labeled data
can hardly be satisfied, and the huge training costs and storage usage of the
model in multiple scenarios are hindrance for model application. In this
letter, a multi-task learning-based approach is proposed to improve the
feasibility of the feedback network. An encoder-shared feedback architecture
and the corresponding training scheme are further proposed to facilitate the
implementation of the multi-task learning approach. The experimental results
indicate that the proposed multi-task learning approach can achieve
comprehensive feedback performance with considerable reduction of training cost
and storage usage of the feedback model.
- Abstract（参考訳）: 周波数分割多重化 (fdd) 多重入力多重出力 (mimo) システムにおけるチャネル状態情報 (csi) フィードバックにディープラーニングが広く適用されている。
フィードバックモデルの典型的な教師付きトレーニングでは、大量のタスク固有のラベル付きデータの要求を満足できないため、複数のシナリオにおけるモデルの膨大なトレーニングコストとストレージ使用がモデルアプリケーションにとって障害となる。
本稿では,フィードバックネットワークの実現可能性を高めるために,マルチタスク学習に基づくアプローチを提案する。
さらに,マルチタスク学習手法の実装を容易にするために,エンコーダ共有型フィードバックアーキテクチャとそれに対応するトレーニングスキームを提案する。
実験結果から,提案手法は,フィードバックモデルのトレーニングコストとストレージ使用量を大幅に削減し,総合的なフィードバック性能を達成できることが示唆された。
関連論文リスト
- Hierarchical and Decoupled BEV Perception Learning Framework for Autonomous Driving [52.808273563372126]
本稿では,基本認識モジュールとユーザフレンドリなグラフィカルインタフェースのライブラリの提供を目的とした,新しい階層的BEV知覚パラダイムを提案する。
我々は,大規模公開データセットと合理化開発プロセスを効果的に活用するために,Pretrain-Finetune戦略を実行している。
また、マルチモジュールラーニング(MML)アプローチを提案し、複数のモデルの相乗的かつ反復的な訓練により性能を向上させる。
論文 参考訳（メタデータ） (2024-07-17T11:17:20Z) - TVE: Learning Meta-attribution for Transferable Vision Explainer [76.68234965262761]
本稿では,下流タスクにおける様々な視覚モデルを効果的に説明できるTransferable Vision Explainer(TVE)を提案する。
TVEは,大規模データセットの事前学習プロセスを通じて,メタ属性の学習を実現する。
このメタ属性は、一般的なバックボーンエンコーダの汎用性を利用して、入力インスタンスの属性知識を包括的にエンコードし、TVEがシームレスに転送し、様々な下流タスクを説明することを可能にする。
論文 参考訳（メタデータ） (2023-12-23T21:49:23Z) - Diffusion Model is an Effective Planner and Data Synthesizer for
Multi-Task Reinforcement Learning [101.66860222415512]
Multi-Task Diffusion Model (textscMTDiff) は、トランスフォーマーのバックボーンを組み込んだ拡散に基づく手法であり、生成計画とデータ合成のための素早い学習を行う。
生成計画において、textscMTDiffはMeta-World上の50のタスクとMaze2D上の8のマップで最先端のアルゴリズムより優れています。
論文 参考訳（メタデータ） (2023-05-29T05:20:38Z) - HiNet: Novel Multi-Scenario & Multi-Task Learning with Hierarchical Information Extraction [50.40732146978222]
マルチシナリオとマルチタスク学習は、産業アプリケーションにおける多くのレコメンデーションシステムに広く応用されている。
階層型情報抽出ネットワーク(HiNet)を提案する。
HiNetは、新しい最先端のパフォーマンスを実現し、既存のソリューションを大幅に上回っている。
論文 参考訳（メタデータ） (2023-03-10T17:24:41Z) - Feature Decomposition for Reducing Negative Transfer: A Novel Multi-task
Learning Method for Recommender System [35.165907482126464]
特徴分解ネットワーク(FDN)と呼ばれる新しいマルチタスク学習手法を提案する。
提案するFDNの鍵となる考え方は,特徴をタスク固有機能とタスク共有機能に明示的に分解することで,特徴冗長性の現象を小さくすることである。
実験結果から,提案するFDN法は最先端(SOTA)法よりも顕著なマージンで優れていることがわかった。
論文 参考訳（メタデータ） (2023-02-10T03:08:37Z) - Effective Adaptation in Multi-Task Co-Training for Unified Autonomous
Driving [103.745551954983]
本稿では,3つの下流タスクにおけるMoCoやSimCLRなど,多種多様な自己監督手法の転送性能について検討する。
彼らのパフォーマンスは、サブ最適か、あるいはシングルタスクベースラインよりもはるかに遅れていることに気付きました。
汎用マルチタスクトレーニングのための,単純かつ効果的な事前訓練-適応-ファインチューンパラダイムを提案する。
論文 参考訳（メタデータ） (2022-09-19T12:15:31Z) - Interactive Machine Learning for Image Captioning [8.584932159968002]
画像キャプションモデルのための対話型学習手法を提案する。
我々は、データ拡張手法を用いてフィードバックを乗算することで、人間のフィードバックをできるだけ活用するシステムを構想する。
論文 参考訳（メタデータ） (2022-02-28T09:02:32Z) - Multi-task MR Imaging with Iterative Teacher Forcing and Re-weighted
Deep Learning [14.62432715967572]
我々は,既存のビッグデータから事前知識を学習するための,マルチタスク深層学習手法を開発した。
次に,これらを用いて,アンダーサンプリングしたk空間データからMR再構成とセグメンテーションを同時支援する。
提案手法は,同時的かつ正確なMR再構成とセグメンテーションの促進機能を有することを示す。
論文 参考訳（メタデータ） (2020-11-27T09:08:05Z) - Deep Multi-Task Learning for Cooperative NOMA: System Design and
Principles [52.79089414630366]
我々は,近年のディープラーニング(DL)の進歩を反映した,新しいディープ・コラボレーティブなNOMAスキームを開発する。
我々は,システム全体を包括的に最適化できるように,新しいハイブリッドカスケードディープニューラルネットワーク(DNN)アーキテクチャを開発した。
論文 参考訳（メタデータ） (2020-07-27T12:38:37Z) - Deep Learning for Massive MIMO Channel State Acquisition and Feedback [7.111650988432555]
大規模マルチインプット・マルチアウトプット(MIMO)システムは、5Gおよび次世代無線ネットワークにおける過度なスループット要求を実現する主要な手段である。
トレーニングプロセスによって取得される正確でタイムリーなチャネル状態情報(CSI)が必要である。
本稿では、CSI取得オーバーヘッドを減らし、複雑さを減らし、ニューラルネットワーク(NN)をトレーニングプロセスでどのように使用できるかを概説する。
論文 参考訳（メタデータ） (2020-02-17T13:16:34Z)
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。