Fugu-MT 論文翻訳(概要): Leveraging triplet loss and nonlinear dimensionality reduction for on-the-fly channel charting

論文の概要: Leveraging triplet loss and nonlinear dimensionality reduction for on-the-fly channel charting

arxiv url: http://arxiv.org/abs/2204.13996v1
Date: Mon, 4 Apr 2022 12:01:36 GMT
ステータス: 処理完了
システム内更新日: 2023-02-18 07:55:45.322852
Title: Leveraging triplet loss and nonlinear dimensionality reduction for on-the-fly channel charting
Title（参考訳）: オンザフライチャネルチャート作成における三重項損失と非線形次元低減の活用
Authors: Taha Yassine (IRT b-com, INSA Rennes), Luc Le Magoarou (IRT b-com), St\'ephane Paquelet (IRT b-com), Matthieu Crussi\`ere (IRT b-com, IETR, INSA Rennes)
Abstract要約: チャネルチャートは、無線チャネルをいわゆるチャートにマッピングすることを目的とした教師なし学習手法である。本稿では,モデルに基づくディープラーニング手法を提案する。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Channel charting is an unsupervised learning method that aims at mapping wireless channels to a so-called chart, preserving as much as possible spatial neighborhoods. In this paper, a model-based deep learning approach to this problem is proposed. It builds on a physically motivated distance measure to structure and initialize a neural network that is subsequently trained using a triplet loss function. The proposed structure exhibits a low number of parameters and clever initialization leads to fast training. These two features make the proposed approach amenable to on-the-fly channel charting. The method is empirically assessed on realistic synthetic channels, yielding encouraging results.
Abstract（参考訳）: チャネルチャート(英: channel charting)は、無線チャネルをいわゆるチャートにマッピングすることを目的とした教師なし学習手法である。本稿では,この問題に対するモデルベースディープラーニングアプローチを提案する。これは物理的に動機付けられた距離測定に基づいて構築され、三重項損失関数を使用してトレーニングされたニューラルネットワークの構造と初期化を行う。提案する構造はパラメータ数が少なく、巧妙な初期化は高速なトレーニングにつながる。これら2つの機能は,提案手法をオンザフライチャネルチャートに適応させるものだ。本手法は, 現実的な合成チャネルを用いて実験的に評価し, 良好な結果を得た。

関連論文リスト

WiNet: Wavelet-based Incremental Learning for Efficient Medical Image Registration [68.25711405944239]
深部画像登録は異常な精度と高速な推測を示した。近年の進歩は、粗大から粗大の方法で密度変形場を推定するために、複数のカスケードまたはピラミッドアーキテクチャを採用している。本稿では,様々なスケールにわたる変位/速度場に対して,スケールワイブレット係数を漸進的に推定するモデル駆動WiNetを提案する。
論文参考訳（メタデータ） (2024-07-18T11:51:01Z)
Histogram Layer Time Delay Neural Networks for Passive Sonar Classification [58.720142291102135]
時間遅延ニューラルネットワークとヒストグラム層を組み合わせた新しい手法により,特徴学習の改善と水中音響目標分類を実現する。提案手法はベースラインモデルより優れており,受動的ソナー目標認識のための統計的文脈を取り入れた有効性を示す。
論文参考訳（メタデータ） (2023-07-25T19:47:26Z)
Channel charting based beamforming [0.0]
チャネルチャート(英: Channel charting, CC)は、参照なしで相互に相対的なユーザを見つけるための教師なし学習手法である。本稿では、この潜時モデリングビジョンと、最近提案された位置ベースビームフォーミング(LBB)手法を用いて、チャネルチャートを空間や周波数のチャネルのマッピングに利用できることを示す。
論文参考訳（メタデータ） (2022-12-06T17:40:15Z)
Efficient Deep Unfolding for SISO-OFDM Channel Estimation [0.0]
スパースリカバリ技術を用いてSISO-OFDMチャネル推定を行うことができる。本稿では,この制約を緩和するために,展開ニューラルネットワークを用いる。教師なしのオンライン学習は、推定性能を高めるためにシステムの欠陥を学習することができる。
論文参考訳（メタデータ） (2022-10-11T11:29:54Z)
Low Complexity Channel estimation with Neural Network Solutions [1.0499453838486013]
我々は、ダウンリンクシナリオでチャネル推定を実現するために、一般的な残差畳み込みニューラルネットワークをデプロイする。チャネル推定における他のディープラーニング手法と比較して,平均二乗誤差計算の改善が示唆された。
論文参考訳（メタデータ） (2022-01-24T19:55:10Z)
Localized Persistent Homologies for more Effective Deep Learning [60.78456721890412]
ネットワークトレーニング中の位置を考慮に入れた新しいフィルタ機能を利用する手法を提案する。この方法で訓練されたネットワークが抽出した曲線構造のトポロジを回復するのに役立つ道路の2次元画像と神経過程の3次元画像スタックを実験的に実証した。
論文参考訳（メタデータ） (2021-10-12T19:28:39Z)
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)
Group Fisher Pruning for Practical Network Compression [58.25776612812883]
本稿では,様々な複雑な構造に応用可能な汎用チャネルプルーニング手法を提案する。我々は、単一チャネルと結合チャネルの重要性を評価するために、フィッシャー情報に基づく統一されたメトリクスを導出する。提案手法は,結合チャネルを含む任意の構造をプルークするために利用できる。
論文参考訳（メタデータ） (2021-08-02T08:21:44Z)
Efficient channel charting via phase-insensitive distance computation [0.0]
チャネルチャートは、得られた表現が対応するユーザーの相対的な空間的位置を反映するようにチャネルをエンコードすることを目的とする教師なしの学習タスクです。本稿では,小型フェーディングの効果を低減すべく特別に設計された距離尺度に基づいて,チャネルチャート法を提案する。次に, 局所距離(アイソマップ)の保存を目的とした非線形次元減少手法を適用し, 実際にチャネル表現を得る。
論文参考訳（メタデータ） (2021-04-27T13:42:18Z)
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)
Online unsupervised deep unfolding for MIMO channel estimation [0.0]
チャネル推定のためのオンライン学習を大規模に行うことを提案する。これにより、不完全なモデルでオンラインにトレーニングできる計算効率のよいニューラルネットワークが実現される。現実的なチャネルに適用され、優れた性能を示し、完全に校正されたシステムで得られるチャネル推定誤差をほぼ低くする。
論文参考訳（メタデータ） (2020-04-30T07:32:58Z)

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。