論文の概要: Neural Network Decoders for Permutation Codes Correcting Different Errors

• arxiv url: http://arxiv.org/abs/2206.03315v1
• Date: Tue, 7 Jun 2022 14:02:32 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-08 16:49:09.075372
• Title: Neural Network Decoders for Permutation Codes Correcting Different Errors
• Title（参考訳）: 異なる誤りを補正する置換符号のためのニューラルネットワークデコーダ
• Authors: Yeow Meng Chee, Hui Zhang
• Abstract要約: 電力線通信およびフラッシュメモリのランク変調における異なる種類の誤差を補正するために、置換符号を広範囲に研究した。 ニューラルネットワークデコーダを導入し,これらのエラーをワンショットデコードで訂正する。
• 参考スコア（独自算出の注目度）: 20.70208671558469
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Permutation codes were extensively studied in order to correct different types of errors for the applications on power line communication and rank modulation for flash memory. In this paper, we introduce the neural network decoders for permutation codes to correct these errors with one-shot decoding, which treat the decoding as $n$ classification tasks for non-binary symbols for a code of length $n$. These are actually the first general decoders introduced to deal with any error type for these two applications. The performance of the decoders is evaluated by simulations with different error models.
• Abstract（参考訳）: 電力線通信およびフラッシュメモリのランク変調における異なる種類の誤差を補正するために、置換符号を広範囲に研究した。 本稿では,一括復号法で誤りを訂正するために,置換符号のためのニューラルネットワークデコーダを導入し,このデコーダを長さ$n$の符号に対して,非バイナリシンボルに対して$n$の分類タスクとして扱う。 実際、これら2つのアプリケーションのエラータイプを扱うために導入された最初の一般的なデコーダである。 デコーダの性能は、異なる誤差モデルによるシミュレーションによって評価される。

関連論文リスト

• On the Design and Performance of Machine Learning Based Error Correcting Decoders [3.8289109929360245]
  まず, 単一ラベル型ニューラルネットワーク (SLNN) とマルチラベル型ニューラルネットワーク (MLNN) のデコーダについて検討した。 次に、エラー訂正符号変換器(ECCT)とクロスアテンションメッセージパッシング変換器(CrossMPT)という、2つのトランスフォーマーベースのデコーダに注目します。
  論文  参考訳（メタデータ） (2024-10-21T11:23:23Z)
• 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)
• Testing the Accuracy of Surface Code Decoders [55.616364225463066]
  大規模でフォールトトレラントな量子計算は量子エラー訂正符号(QECC)によって実現される 本研究は,QECC復号方式の精度と有効性をテストするための最初の体系的手法である。
  論文  参考訳（メタデータ） (2023-11-21T10:22:08Z)
• Minimising surface-code failures using a color-code decoder [2.5499055723658097]
  偏極雑音モデルにより生じる誤差に対する低重補正演算子を求める表面符号のデコーダを提案する。 デコーダは、表面符号のシンドロームをカラー符号のシンドロームにマッピングすることで得られる。
  論文  参考訳（メタデータ） (2023-06-28T18:04:49Z)
• 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)
• A Scalable Graph Neural Network Decoder for Short Block Codes [49.25571364253986]
  エッジ重み付きグラフニューラルネットワーク(EW-GNN)に基づく短絡符号の復号化アルゴリズムを提案する。 EW-GNNデコーダは、繰り返しメッセージパッシング構造を持つタナーグラフで動作する。 EW-GNNデコーダは,復号誤り率の観点から,BP法および深層学習に基づくBP法より優れていることを示す。
  論文  参考訳（メタデータ） (2022-11-13T17:13:12Z)
• Pre-Training Transformer Decoder for End-to-End ASR Model with Unpaired Speech Data [145.95460945321253]
  本稿では,音響単位,すなわち擬似符号を用いたエンコーダ・デコーダネットワークのための2つの事前学習タスクを提案する。 提案したSpeech2Cは,デコーダを事前学習することなく,単語誤り率(WER)を19.2%削減できる。
  論文  参考訳（メタデータ） (2022-03-31T15:33:56Z)
• Adversarial Neural Networks for Error Correcting Codes [76.70040964453638]
  機械学習(ML)モデルの性能と適用性を高めるための一般的なフレームワークを紹介する。 本稿では,MLデコーダと競合する識別器ネットワークを組み合わせることを提案する。 我々のフレームワークはゲーム理論であり、GAN(Generative Adversarial Network)によって動機付けられている。
  論文  参考訳（メタデータ） (2021-12-21T19:14:44Z)
• FAID Diversity via Neural Networks [23.394836086114413]
  LDPC(Low-Density Parity Check)符号のための有限アルファベット反復デコーダ(FAID)のデコーダの多様性を設計する新しいアプローチを提案する。 提案するデコーダの多様性は、繰り返し量子化ニューラルネットワーク(RQNN)をトレーニングしてFAIDを学習・設計することで達成される。
  論文  参考訳（メタデータ） (2021-05-10T05:14:42Z)
• perm2vec: Graph Permutation Selection for Decoding of Error Correction Codes using Self-Attention [19.879263834757758]
  本稿では、ドメイン知識と機械学習の概念を組み合わせた、置換選択のためのデータ駆動フレームワークを提案する。 この研究は、物理層通信システムにおけるニューラルトランスフォーマーネットワークの利点を利用する最初のものである。
  論文  参考訳（メタデータ） (2020-02-06T15:42:08Z)

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。