論文の概要: Variational Autoencoder Leveraged MMSE Channel Estimation
- arxiv url: http://arxiv.org/abs/2205.05345v1
- Date: Wed, 11 May 2022 08:45:54 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-13 03:45:14.467715
- Title: Variational Autoencoder Leveraged MMSE Channel Estimation
- Title(参考訳): 変分オートエンコーダを用いたMMSEチャネル推定
- Authors: Michael Baur, Benedikt Fesl, Michael Koller, Wolfgang Utschick
- Abstract要約: データ駆動型チャネル推定のための変分オートエンコーダ(VAE)を提案する。
VAEに基づくチャネル推定器がMMSEチャネル推定器を近似する方法について論じる。
推定時にVAEの入力時に完全に既知のチャネル状態が与えられると、これは現実的ではないので、ベンチマーク結果として機能する推定器を得る。
- 参考スコア(独自算出の注目度): 10.013371919782593
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We propose to utilize a variational autoencoder (VAE) for data-driven channel
estimation. The underlying true and unknown channel distribution is modeled by
the VAE as a conditional Gaussian distribution in a novel way, parameterized by
the respective first and second order conditional moments. As a result, it can
be observed that the linear minimum mean square error (LMMSE) estimator in its
variant conditioned on the latent sample of the VAE approximates an optimal MSE
estimator. Furthermore, we argue how a VAE-based channel estimator can
approximate the MMSE channel estimator. We propose three variants of VAE
estimators that differ in the data used during training and estimation. First,
we show that given perfectly known channel state information at the input of
the VAE during estimation, which is impractical, we obtain an estimator that
can serve as a benchmark result for an estimation scenario. We then propose
practically feasible approaches, where perfectly known channel state
information is only necessary in the training phase or is not needed at all.
Simulation results on 3GPP and QuaDRiGa channel data attest a small performance
loss of the practical approaches and the superiority of our VAE approaches in
comparison to other related channel estimation methods.
- Abstract(参考訳): 本稿では,データ駆動チャネル推定のための変分オートエンコーダ(vae)を提案する。
真かつ未知のチャネル分布は、vaeによって新しい方法で条件付きガウス分布としてモデル化され、各第1および第2次条件付きモーメントによってパラメータ化される。
その結果、vaeの潜在サンプルに条件づけられた変種における線形最小平均二乗誤差(lmmse)推定器は最適なmse推定器に近似することがわかった。
さらに,VAEに基づくチャネル推定器がMMSEチャネル推定器を近似する方法について論じる。
本稿では,トレーニングと推定に使用するデータが異なる3種類のVAE推定器を提案する。
まず,推定時にVAEの入力時に完全に既知のチャネル状態が与えられると,推定シナリオのベンチマーク結果として機能する推定器が得られることを示す。
次に,訓練段階においてのみ,あるいは全く必要とされない完全既知のチャネル状態情報が必要となるような,実現可能なアプローチを提案する。
3GPP と QuaDRiGa のチャネルデータによるシミュレーション結果から,他のチャネル推定法と比較して,実用的アプローチとVAE 手法の優位性が小さいことを示す。
- 全文 参考訳へのリンク
関連論文リスト
- MIMO Channel Estimation using Score-Based Generative Models [1.6752182911522517]
本稿では,ディープスコアに基づく生成モデルを用いたチャネル推定手法を提案する。
これらのモデルは、対数-主分布の勾配を推定するために訓練され、観測された信号の測定から推定を反復的に洗練するために使用することができる。
論文 参考訳(メタデータ) (2022-04-14T17:23:58Z) - A Statistical Decision-Theoretical Perspective on the Two-Stage Approach
to Parameter Estimation [7.599399338954307]
2段階(TS)アプローチは、信頼できるパラメトリック推定を得るために適用することができる。
独立したサンプルと同一のサンプルのモデルにTSアプローチを適用する方法を示す。
論文 参考訳(メタデータ) (2022-03-31T18:19:47Z) - Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。
本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。
本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
論文 参考訳(メタデータ) (2022-01-11T23:01:12Z) - Regularizing Variational Autoencoder with Diversity and Uncertainty
Awareness [61.827054365139645]
変分オートエンコーダ(VAE)は、償却変分推論に基づいて潜伏変数の後部を近似する。
よりディバースで不確実な潜在空間を学習するための代替モデルDU-VAEを提案する。
論文 参考訳(メタデータ) (2021-10-24T07:58:13Z) - A Variational Bayesian Approach to Learning Latent Variables for
Acoustic Knowledge Transfer [55.20627066525205]
本稿では,ディープニューラルネットワーク(DNN)モデルにおける潜伏変数の分布を学習するための変分ベイズ(VB)アプローチを提案する。
我々の提案するVBアプローチは,ターゲットデバイスにおいて良好な改善が得られ,しかも,13の最先端知識伝達アルゴリズムを一貫して上回っている。
論文 参考訳(メタデータ) (2021-10-16T15:54:01Z) - 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) - Variational Inference with NoFAS: Normalizing Flow with Adaptive
Surrogate for Computationally Expensive Models [7.217783736464403]
マルコフ連鎖モンテカルロのようなサンプリングに基づくアプローチの使用は、それぞれの可能性評価が計算的に高価であるときに難解になる可能性がある。
変分推論と正規化フローを組み合わせた新しいアプローチは、潜在変数空間の次元と線形にしか成長しない計算コストによって特徴づけられる。
本稿では,ニューラルネットワークサロゲートモデルの正規化フローパラメータと重みを代わりに更新する最適化戦略である,適応サロゲートを用いた正規化フロー(NoFAS)を提案する。
論文 参考訳(メタデータ) (2021-08-28T14:31:45Z) - Evaluating State-of-the-Art Classification Models Against Bayes
Optimality [106.50867011164584]
正規化フローを用いて学習した生成モデルのベイズ誤差を正確に計算できることを示す。
われわれの手法を用いて、最先端の分類モデルについて徹底的な調査を行う。
論文 参考訳(メタデータ) (2021-06-07T06:21:20Z) - Scalable Marginal Likelihood Estimation for Model Selection in Deep
Learning [78.83598532168256]
階層型モデル選択は、推定困難のため、ディープラーニングではほとんど使われない。
本研究は,検証データが利用できない場合,限界的可能性によって一般化が向上し,有用であることを示す。
論文 参考訳(メタデータ) (2021-04-11T09:50:24Z) - Approximate Cross-validated Mean Estimates for Bayesian Hierarchical
Regression Models [9.34612743192798]
本稿では,ベイズ階層回帰モデルに対するクロスバリデーション予測手法を提案する。
理論的な結果を提供し、その効果を公開データやシミュレーションで実証する。
論文 参考訳(メタデータ) (2020-11-29T00:00:20Z)
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。