論文の概要: Neural Decoding with Optimization of Node Activations

• arxiv url: http://arxiv.org/abs/2206.00786v1
• Date: Wed, 1 Jun 2022 22:38:32 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-04 03:42:22.072980
• Title: Neural Decoding with Optimization of Node Activations
• Title（参考訳）: ノードアクティベーションの最適化によるニューラルデコーディング
• Authors: Eliya Nachmani, Yair Be'ery
• Abstract要約: 誤り訂正符号に対するニューラルデコーダを用いた極大復号化の問題点を考察する。 ニューラルデコーダは、ノードのアクティベーションに関する2つの新しい損失項で改善できることが示されている。
• 参考スコア（独自算出の注目度）: 23.22461721824713
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The problem of maximum likelihood decoding with a neural decoder for error-correcting code is considered. It is shown that the neural decoder can be improved with two novel loss terms on the node's activations. The first loss term imposes a sparse constraint on the node's activations. Whereas, the second loss term tried to mimic the node's activations from a teacher decoder which has better performance. The proposed method has the same run time complexity and model size as the neural Belief Propagation decoder, while improving the decoding performance by up to $1.1dB$ on BCH codes.
• Abstract（参考訳）: 誤り訂正符号のためのニューラルデコーダを用いた最大ラピッド復号問題を考える。 ニューラルデコーダはノードのアクティベーションに関する2つの新しい損失項によって改善できることを示した。 第1の損失項は、ノードのアクティベーションにスパース制約を課す。 一方、第2の損失項は、優れたパフォーマンスを持つ教師デコーダからのノードのアクティベーションを模倣しようとした。 提案手法は,BCH符号上での最大1.1dB$のデコード性能を向上しながら,ニューラルブリーフ伝搬デコーダと同じ実行時間複雑性とモデルサイズを有する。

関連論文リスト

• Learning Linear Block Error Correction Codes [62.25533750469467]
  本稿では,バイナリ線形ブロック符号の統一エンコーダデコーダトレーニングを初めて提案する。 また,コード勾配の効率的なバックプロパゲーションのために,自己注意マスキングを行うトランスフォーマーモデルを提案する。
  論文  参考訳（メタデータ） (2024-05-07T06:47:12Z)
• Bit-flipping Decoder Failure Rate Estimation for (v,w)-regular Codes [84.0257274213152]
  並列ビットフリップデコーダのDFRを高精度に推定する手法を提案する。 本研究は,本症候群のモデル化およびシミュレーションによる重み比較,第1イテレーション終了時の誤りビット分布の誤検出,復号化復号化率(DFR)について検証した。
  論文  参考訳（メタデータ） (2024-01-30T11:40:24Z)
• Convolutional neural network based decoders for surface codes [0.0]
  本稿では,畳み込みニューラルネットワークに基づくデコーダの研究について報告する。 その結果,畳み込みニューラルネットワークに基づくデコーダの性能は良好であり,異なるノイズモデルに適応できることがわかった。
  論文  参考訳（メタデータ） (2023-12-06T14:07:31Z)
• Graph Neural Networks for Enhanced Decoding of Quantum LDPC Codes [6.175503577352742]
  量子低密度パリティチェック(LDPC)符号に対する微分可能な反復デコーダを提案する。 提案アルゴリズムは,古典的信念伝達(BP)復号段階と中間グラフニューラルネットワーク(GNN)層から構成される。
  論文  参考訳（メタデータ） (2023-10-26T19:56:25Z)
• 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)
• Denoising Diffusion Error Correction Codes [92.10654749898927]
  近年、ニューラルデコーダは古典的デコーダ技術に対する優位性を実証している。 最近の最先端のニューラルデコーダは複雑で、多くのレガシデコーダの重要な反復的スキームが欠如している。 本稿では,任意のブロック長の線形符号のソフトデコードにデノナイズ拡散モデルを適用することを提案する。
  論文  参考訳（メタデータ） (2022-09-16T11:00:50Z)
• 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)
• Achieving Low Complexity Neural Decoders via Iterative Pruning [33.774970857450086]
  ニューラルデコーダにおけるプルーフウェイトに対する反復的プルーニング手法について検討する。 ウェイト数が少ないデコーダは、レイテンシが低く、複雑さも低い。 これにより、計算能力に制限のあるモバイルや他のエッジデバイスに、ニューラルデコーダをより適合させることができる。
  論文  参考訳（メタデータ） (2021-12-11T18:33:08Z)
• Cyclically Equivariant Neural Decoders for Cyclic Codes [33.63188063525036]
  循環不変性を利用して,循環符号のニューラルデコーダを提案する。 当社の新しいデコーダは、サイクル符号のデコード時に、従来のニューラルデコーダを一貫して上回る性能を発揮します。 最後に,BCH符号と句読込みRM符号の復号誤差確率を大幅に低減できるリスト復号手順を提案する。
  論文  参考訳（メタデータ） (2021-05-12T09:41:13Z)
• Pruning Neural Belief Propagation Decoders [77.237958592189]
  本稿では,機械学習を用いたBPデコードに対して,過剰完全パリティチェック行列を調整する手法を提案する。 我々は,デコーダの複雑さを低減しつつ,0.27dB,1.5dBのML性能を実現する。
  論文  参考訳（メタデータ） (2020-01-21T12:05:46Z)

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。