論文の概要: MIND: Maximum Mutual Information Based Neural Decoder

• arxiv url: http://arxiv.org/abs/2205.07061v1
• Date: Sat, 14 May 2022 13:35:30 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-19 03:41:33.466386
• Title: MIND: Maximum Mutual Information Based Neural Decoder
• Title（参考訳）: MIND:最大相互情報に基づくニューラルデコーダ
• Authors: Andrea M. Tonello and Nunzio A. Letizia
• Abstract要約: 我々は,検出/復号化問題に最適なニューラルネットワークを開発することを目指している。 識別的定式化に基づくニューラルMI推定器を提案する。 このアーキテクチャは未知のチャネルにおける復号化問題を解くだけでなく、達成した平均MIの推定値を返すことができる。
• 参考スコア（独自算出の注目度）: 4.86067125387358
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We are assisting at a growing interest in the development of learning architectures with application to digital communication systems. Herein, we consider the detection/decoding problem. We aim at developing an optimal neural architecture for such a task. The definition of the optimal criterion is a fundamental step. We propose to use the mutual information (MI) of the channel input-output signal pair. The computation of the MI is a formidable task, and for the majority of communication channels it is unknown. Therefore, the MI has to be learned. For such an objective, we propose a novel neural MI estimator based on a discriminative formulation. This leads to the derivation of the mutual information neural decoder (MIND). The developed neural architecture is capable not only to solve the decoding problem in unknown channels, but also to return an estimate of the average MI achieved with the coding scheme, as well as the decoding error probability. Several numerical results are reported and compared with maximum a-posteriori (MAP) and maximum likelihood (MaxL) decoding strategies.
• Abstract（参考訳）: 我々は,デジタル通信システムへの応用により,学習アーキテクチャ開発への関心が高まっている。 本稿では,検出・復号問題を考える。 このようなタスクに最適なニューラルアーキテクチャを開発することを目指している。 最適基準の定義は基本的なステップである。 本稿では、チャネル入出力信号対の相互情報(mi)の使用を提案する。 MIの計算は厄介な作業であり、通信チャネルの大部分が不明である。 そのため、MIは学ばなければならない。 このような目的のために,識別的定式化に基づくニューラルMI推定器を提案する。 これにより、相互情報ニューラルデコーダ(MIND)が導出される。 開発したニューラルアーキテクチャは、未知チャネルにおける復号化問題を解決するだけでなく、符号化スキームで達成した平均miの推定値と復号誤差確率を返すことができる。 いくつかの数値結果が報告され、最大a-posteriori(MAP)と最大可能性復号法と比較される。

関連論文リスト

• A multimodal LLM for the non-invasive decoding of spoken text from brain recordings [0.4187344935012482]
  fMRI信号から音声テキストを復号するためのマルチモーダルLLMを提案する。 提案アーキテクチャは, (i) 特定のトランスフォーマーから派生したエンコーダ上に構築され, エンコーダに付加された埋め込み層と, 最先端のアテンション機構が組み込まれている。 fMRIと会話信号が同期的に記録される、人間-ロボット相互作用と人間-ロボット相互作用のセットからなるコーパス上で行われたベンチマーク。
  論文  参考訳（メタデータ） (2024-09-29T14:03:39Z)
• The END: An Equivariant Neural Decoder for Quantum Error Correction [73.4384623973809]
  データ効率のよいニューラルデコーダを導入し、この問題の対称性を活用する。 本稿では,従来のニューラルデコーダに比べて精度の高い新しい同変アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-04-14T19:46:39Z)
• One-Bit Compressive Sensing: Can We Go Deep and Blind? [15.231885712212083]
  1ビット圧縮センシングは、1ビット雑音測定から基礎となるスパース信号の正確な回復に関係している。 盲点回復を実現する新しいデータ駆動型モデルベース手法を提案する。
  論文  参考訳（メタデータ） (2022-03-13T16:06:56Z)
• SignalNet: A Low Resolution Sinusoid Decomposition and Estimation Network [79.04274563889548]
  本稿では,正弦波数を検出するニューラルネットワークアーキテクチャであるSignalNetを提案する。 基礎となるデータ分布と比較して,ネットワークの結果を比較するための最悪の学習しきい値を導入する。 シミュレーションでは、我々のアルゴリズムは常に3ビットデータのしきい値を超えることができるが、しばしば1ビットデータのしきい値を超えることはできない。
  論文  参考訳（メタデータ） (2021-06-10T04:21:20Z)
• ConCrete MAP: Learning a Probabilistic Relaxation of Discrete Variables for Soft Estimation with Low Complexity [9.62543698736491]
  ConCrete MAP Detection (CMD)は、大きな逆線形問題に対する反復検出アルゴリズムである。 我々は、SotAと比較して、CMDが有望なパフォーマンス複雑性のトレードオフを特徴付けることを示す。 特に,CMDのソフト出力がデコーダに信頼性を持つことを示す。
  論文  参考訳（メタデータ） (2021-02-25T09:54:25Z)
• Solving Mixed Integer Programs Using Neural Networks [57.683491412480635]
  本稿では,mipソルバの2つのキーサブタスクに学習を適用し,高品質なジョイント変数割当を生成し,その割当と最適課題との客観的値の差を限定する。 提案手法は,ニューラルネットワークに基づく2つのコンポーネントであるニューラルダイバーディングとニューラルブランチを構築し,SCIPなどのベースMIPソルバで使用する。 2つのGoogle生産データセットとMIPLIBを含む6つの現実世界データセットに対するアプローチを評価し、それぞれに別々のニューラルネットワークをトレーニングする。
  論文  参考訳（メタデータ） (2020-12-23T09:33:11Z)
• Capacity-Approaching Autoencoders for Communications [4.86067125387358]
  オートエンコーダを訓練する現在のアプローチは、クロスエントロピー損失関数の使用に依存している。 本稿では,チャネル容量の推定値を計算し,それに近づく最適な符号化信号を構築する手法を提案する。
  論文  参考訳（メタデータ） (2020-09-11T08:19:06Z)
• A Compressive Sensing Approach for Federated Learning over Massive MIMO Communication Systems [82.2513703281725]
  フェデレートラーニング(Federated Learning)は、無線デバイスとのコラボレーションによって、中央サーバでグローバルモデルをトレーニングするための、プライバシ保護のアプローチである。 本稿では,大規模マルチインプット多出力通信システム上でのフェデレーション学習のための圧縮センシング手法を提案する。
  論文  参考訳（メタデータ） (2020-03-18T05:56:27Z)
• Data-Driven Symbol Detection via Model-Based Machine Learning [117.58188185409904]
  機械学習(ML)とモデルベースアルゴリズムを組み合わせた,検出設計のシンボル化を目的とした,データ駆動型フレームワークについてレビューする。 このハイブリッドアプローチでは、よく知られたチャネルモデルに基づくアルゴリズムをMLベースのアルゴリズムで拡張し、チャネルモデル依存性を除去する。 提案手法は, 正確なチャネル入出力統計関係を知らなくても, モデルベースアルゴリズムのほぼ最適性能が得られることを示す。
  論文  参考訳（メタデータ） (2020-02-14T06:58:27Z)
• Channel Assignment in Uplink Wireless Communication using Machine Learning Approach [54.012791474906514]
  本稿では,アップリンク無線通信システムにおけるチャネル割り当て問題について検討する。 我々の目標は、整数チャネル割り当て制約を受ける全ユーザの総和率を最大化することです。 計算複雑性が高いため、機械学習アプローチは計算効率のよい解を得るために用いられる。
  論文  参考訳（メタデータ） (2020-01-12T15:54:20Z)

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。