Fugu-MT 論文翻訳(概要): AttentionCode: Ultra-Reliable Feedback Codes for Short-Packet Communications

論文の概要: AttentionCode: Ultra-Reliable Feedback Codes for Short-Packet Communications

arxiv url: http://arxiv.org/abs/2205.14955v1
Date: Mon, 30 May 2022 09:44:20 GMT
ステータス: 処理完了
システム内更新日: 2022-05-31 18:34:31.769635
Title: AttentionCode: Ultra-Reliable Feedback Codes for Short-Packet Communications
Title（参考訳）: AttentionCode:ショートパケット通信のための超信頼性の高いフィードバックコード
Authors: Yulin Shao, Emre Ozfatura, Alberto Perotti, Branislav Popovic, Deniz Gunduz
Abstract要約: 本稿では,第6世代(6G)通信ネットワークにおける受信者からのフィードバックを利用した,インタラクションに基づく新たな通信パラダイムを提案する。本稿では,ディープラーニング(DL)技術を活用した新しいフィードバックコードであるAttentionCodeを紹介する。 AttentionCodeは、付加的なホワイトガウスノイズ(AWGN)チャネルとフェージングチャネルの両方において、全てのDLベースのフィードバックコードの中で、新しい技術状態を確立することを検証する。
参考スコア（独自算出の注目度）: 12.459538600658034
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Ultra-reliable short-packet communication is a major challenge in future wireless networks with critical applications. To achieve ultra-reliable communications beyond 99.999%, this paper envisions a new interaction-based communication paradigm that exploits the feedback from the receiver for the sixth generation (6G) communication networks and beyond. We present AttentionCode, a new class of feedback codes leveraging deep learning (DL) technologies. The underpinnings of AttentionCode are three architectural innovations: AttentionNet, input restructuring, and adaptation to fading channels, accompanied by several training methods, including large-batch training, distributed learning, look-ahead optimizer, training-test signal-to-noise ratio (SNR) mismatch, and curriculum learning. The training methods can potentially be generalized to other wireless communication applications with machine learning. Numerical experiments verify that AttentionCode establishes a new state of the art among all DL-based feedback codes in both additive white Gaussian noise (AWGN) channels and fading channels. In AWGN channels with noiseless feedback, for example, AttentionCode achieves a block error rate (BLER) of $10^{-7}$ when the forward channel SNR is 0dB for a block size of 50 bits, demonstrating the potential of AttentionCode to provide ultra-reliable short-packet communications for 6G.
Abstract（参考訳）: 超信頼性の短パケット通信は、将来の無線ネットワークにおける重要な応用における大きな課題である。 99.999%を超える信頼性の高い通信を実現するために,第6世代(6G)通信ネットワークの受信者からのフィードバックを生かしたインタラクションベースの通信パラダイムを提案する。我々は,deep learning (dl) 技術を活用した新しいフィードバックコードである attentioncode を提案する。 AttentionCodeの基盤となるのは,アテンションネット,インプット再構成,フェードチャネルへの適応,大規模バッチトレーニング,分散学習,ルックアヘッドオプティマイザ,SNR(Training-test signal-to-noise ratio)ミスマッチ,カリキュラム学習など,3つのアーキテクチャ上のイノベーションだ。トレーニング方法は、機械学習を使った他の無線通信アプリケーションに一般化することができる。 AttentionCodeは、付加的なホワイトガウスノイズ(AWGN)チャネルとフェージングチャネルの両方において、全てのDLベースのフィードバックコードの中で、新しい技術状態を確立する。例えば、ノイズのないフィードバックを持つAWGNチャネルでは、前方チャネルSNRが50ビットのブロックサイズで0dBである場合、AttentionCodeはブロックエラー率(BLER)を10^{-7}$で達成し、AttentionCodeが6Gで超信頼性の高いショートパック通信を提供する可能性を実証する。

関連論文リスト

Boosted Neural Decoders: Achieving Extreme Reliability of LDPC Codes for 6G Networks [15.190674451882964]
6Gネットワーク内の超信頼性・低遅延通信(xURLLC)の次世代では、フレームエラー率(FER)が10-9ドル以下である。低密度パリティチェック(LDPC)符号は5Gニューラジオ(NR)の標準規格であり、エラーフロア現象と呼ばれる課題に直面している。本稿では,ニューラル・ミニサム(NMS)デコーダの高速化という革新的な手法を提案する。
論文参考訳（メタデータ） (2024-05-22T07:48:24Z)
Deep Reinforcement Learning for Interference Management in UAV-based 3D Networks: Potentials and Challenges [137.47736805685457]
チャネル情報を知らなくても干渉を効果的に軽減できることを示す。干渉を利用することにより、提案された解決策は民間UAVの継続的な成長を可能にする。
論文参考訳（メタデータ） (2023-05-11T18:06:46Z)
Age of Information in Deep Learning-Driven Task-Oriented Communications [78.84264189471936]
本稿では,その送信機におけるデータを利用した受信機におけるタスク実行を目的とした,タスク指向コミュニケーションにおける年齢概念について検討する。送信機-受信機操作は、共同で訓練されたディープニューラルネットワーク(DNN)のエンコーダ-デコーダペアとしてモデル化される。
論文参考訳（メタデータ） (2023-01-11T04:15:51Z)
Is Semantic Communications Secure? A Tale of Multi-Domain Adversarial Attacks [70.51799606279883]
セマンティック・コミュニケーションのためのディープ・ニューラル・ネットワーク(DNN)に対するテスト・タイム・アタックを導入する。再建損失が低い場合でも,伝達情報のセマンティクスを変更可能であることを示す。
論文参考訳（メタデータ） (2022-12-20T17:13:22Z)
Task-Oriented Communications for NextG: End-to-End Deep Learning and AI Security Aspects [78.84264189471936]
NextG通信システムは,タスク指向通信などのタスクを確実に実行するために,この設計パラダイムのシフトを探求し始めている。無線信号分類はNextG Radio Access Network (RAN) のタスクであり、エッジデバイスはスペクトル認識のための無線信号を収集し、信号ラベルを識別する必要があるNextGベースステーション(gNodeB)と通信する。エッジデバイスとgNodeB用のエンコーダデコーダ対として、送信機、受信機、および分類器機能を共同で訓練することで、タスク指向通信を考える。
論文参考訳（メタデータ） (2022-12-19T17:54:36Z)
Feedback is Good, Active Feedback is Better: Block Attention Active Feedback Codes [13.766611137136168]
GBAF符号は、アクティブなフィードバックを持つチャネルでも使用できることを示す。送信機と受信機にトランスフォーマーアーキテクチャを実装し,相互に順次対話する。我々は,特に低SNR体制下で,最先端のBLER性能を実現する。
論文参考訳（メタデータ） (2022-11-03T11:44:06Z)
Graph Neural Networks for Channel Decoding [71.15576353630667]
低密度パリティチェック(LDPC)やBCH符号など、様々な符号化方式の競合復号性能を示す。ニューラルネットワーク(NN)は、与えられたグラフ上で一般化されたメッセージパッシングアルゴリズムを学習する。提案するデコーダを,従来のチャネル復号法および最近のディープラーニングに基づく結果と比較した。
論文参考訳（メタデータ） (2022-07-29T15:29:18Z)
All you need is feedback: Communication with block attention feedback codes [12.459538600658034]
フィードバックチャネル上でのコミュニケーションは,そのような問題のひとつです。汎用ブロックアテンションフィードバック(GBAF)コードと呼ばれる,フィードバックチャネルのための新しい学習支援コード設計を導入する。
論文参考訳（メタデータ） (2022-06-19T17:55:04Z)
DRF Codes: Deep SNR-Robust Feedback Codes [2.6074034431152344]
本稿では,DNN(Deep-neural-network)に基づく誤り訂正符号を提案する。付加的な白色ガウス雑音 (AWGN) チャネルにおけるSNR損耗率と誤り率の両面から, DRF符号の精度は, 高い結果が得られた。
論文参考訳（メタデータ） (2021-12-22T10:47:25Z)
FedRec: Federated Learning of Universal Receivers over Fading Channels [92.15358738530037]
本稿では,ダウンリンクフェージングチャネルに対するニューラルネットワークを用いたシンボル検出手法を提案する。複数のユーザが協力して、普遍的なデータ駆動型検出器を学習する。得られた受信機の性能は、フェーディング統計の知識を必要とせずに、様々なチャネル条件下でMAP性能に近づくことを示す。
論文参考訳（メタデータ） (2020-11-14T11:29:55Z)
Decoding 5G-NR Communications via Deep Learning [6.09170287691728]
本稿では,Deep Neural Network(DNN)と共同で自動符号化ニューラルネットワーク(ANN)を用いて,デマッピングとデコードのための自動符号化ディープニューラルネットワーク(ADNN)を構築することを提案する。その結果、特定のBERターゲットに対して、AWGN(Additive White Gaussian Noise)チャネルにおいて、SNR(Signal to Noise Ratio)の$3$dBが要求されることが明らかになった。
論文参考訳（メタデータ） (2020-07-15T12:00:20Z)

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。