論文の概要: Graph Neural Network Aided MU-MIMO Detectors
- arxiv url: http://arxiv.org/abs/2206.09381v1
- Date: Sun, 19 Jun 2022 11:23:02 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-22 18:13:56.437357
- Title: Graph Neural Network Aided MU-MIMO Detectors
- Title(参考訳): MU-MIMO検出器を用いたグラフニューラルネットワーク
- Authors: Alva Kosasih, Vincent Onasis, Vera Miloslavskaya, Wibowo Hardjawana,
Victor Andrean, and Branka Vucetic
- Abstract要約: multi-user multiple-input multiple-output (MU-MIMO) システムは、5G以上のネットワークのスループット要求を満たすために使用できる。
基地局は、アップリンクMU-MIMOシステムで多くのユーザーにサービスを提供しており、実質的なマルチユーザ干渉(MUI)につながる。
- 参考スコア(独自算出の注目度): 31.202097630016286
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multi-user multiple-input multiple-output (MU-MIMO) systems can be used to
meet high throughput requirements of 5G and beyond networks. A base station
serves many users in an uplink MU-MIMO system, leading to a substantial
multi-user interference (MUI). Designing a high-performance detector for
dealing with a strong MUI is challenging. This paper analyses the performance
degradation caused by the posterior distribution approximation used in the
state-of-the-art message passing (MP) detectors in the presence of high MUI. We
develop a graph neural network based framework to fine-tune the MP detectors'
cavity distributions and thus improve the posterior distribution approximation
in the MP detectors. We then propose two novel neural network based detectors
which rely on the expectation propagation (EP) and Bayesian parallel
interference cancellation (BPIC), referred to as the GEPNet and GPICNet
detectors, respectively. The GEPNet detector maximizes detection performance,
while GPICNet detector balances the performance and complexity. We provide
proof of the permutation equivariance property, allowing the detectors to be
trained only once, even in the systems with dynamic changes of the number of
users. The simulation results show that the proposed GEPNet detector
performance approaches maximum likelihood performance in various configurations
and GPICNet detector doubles the multiplexing gain of BPIC detector.
- Abstract(参考訳): マルチユーザマルチインプットマルチアウトプット(mu-mimo)システムは、5g以上の高いスループット要件を満たすために使用できる。
基地局はアップリンクのmu-mimoシステムで多くのユーザに対応しており、実質的なマルチユーザー干渉(mui)につながる。
強力なmuiを扱うための高性能検出器の設計は困難である。
本稿では,高度MUIの存在下でのMP(State-of-the-art message passing)検出器における後部分布近似による性能劣化を解析する。
本研究では,mp検出器のキャビティ分布を微調整し,mp検出器の後方分布近似を改善するグラフニューラルネットワークフレームワークを開発した。
次に、予測伝搬(EP)とベイズ並列干渉キャンセル(BPIC)に依存する2つの新しいニューラルネットワークベース検出器を提案し、それぞれGEPNetおよびGPICNet検出器と呼ぶ。
GEPNet検出器は検出性能を最大化し、GPICNet検出器は性能と複雑さのバランスをとる。
ユーザ数を動的に変化させたシステムであっても,検出器を1回だけトレーニングすることが可能な,置換同分散特性の証明を提供する。
シミュレーションの結果,提案したGEPNet検出器の性能は様々な構成で最大最大性能に近づき,GPICNet検出器はBPIC検出器の多重化ゲインを2倍にすることがわかった。
関連論文リスト
- Message Passing Meets Graph Neural Networks: A New Paradigm for Massive
MIMO Systems [31.86957709846756]
モデル駆動型ディープラーニングフレームワーク,すなわち,MIMO(Multiple output multiple output)トランシーバ設計のためのAMP-GNNを提案する。
具体的には、AMP-GNNネットワークの構造を、近似メッセージパッシング(AMP)アルゴリズムの展開とグラフニューラルネットワーク(GNN)モジュールの導入によってカスタマイズする。
論文 参考訳(メタデータ) (2023-02-14T08:30:04Z) - Hubbard-Stratonovich Detector for Simple Trainable MIMO Signal Detection [7.969977930633441]
深部展開(DU)は顕著な検出性能を有する。
提案した検出器はハバード-ストラットノビッチ (HS) 変換に基づいており、DUはトレーニング可能なHS検出器 (THS) と呼ばれる。
トレーニング可能なパラメータは$O(1)$で、トレーニングと実行のコストは1イテレーションあたり$O(n2)$である。
論文 参考訳(メタデータ) (2023-02-09T06:51:25Z) - Robust Domain Adaptive Object Detection with Unified Multi-Granularity
Alignment [73.51219388590161]
ドメイン適応検出は、ターゲットドメイン上の検出器の一般化を改善することを目的としている。
近年のアプローチは、異なる粒度の特徴アライメントを通じて、逆学習を通じてドメイン適応を実現する。
ドメイン不変な特徴学習のための統合多重粒度アライメント(MGA)に基づく検出フレームワークを提案する。
論文 参考訳(メタデータ) (2023-01-01T08:38:07Z) - Signal Detection in MIMO Systems with Hardware Imperfections: Message
Passing on Neural Networks [101.59367762974371]
本稿では,Multi-Input-multiple-output (MIMO)通信システムにおける信号検出について検討する。
パイロット信号が限られているディープニューラルネットワーク(DNN)のトレーニングは困難であり、実用化を妨げている。
我々は、ユニタリ近似メッセージパッシング(UAMP)アルゴリズムを利用して、効率的なメッセージパッシングに基づくベイズ信号検出器を設計する。
論文 参考訳(メタデータ) (2022-10-08T04:32:58Z) - Towards Efficient Use of Multi-Scale Features in Transformer-Based
Object Detectors [49.83396285177385]
マルチスケール機能は、オブジェクト検出に非常に効果的であることが証明されているが、多くの場合、巨大な計算コストが伴う。
本稿では,Transformerベースのオブジェクト検出器において,マルチスケール機能を効率的に利用するための汎用パラダイムとして,Iterative Multi-scale Feature Aggregation (IMFA)を提案する。
論文 参考訳(メタデータ) (2022-08-24T08:09:25Z) - Edge Graph Neural Networks for Massive MIMO Detection [15.970981766599035]
無線通信システムにおいて、MIMO(Massive Multiple-Input Multiple-Out)検出は重要な問題である。
従来のBreief Propagation(BP)検出器はループグラフでは性能が良くないが、最近のグラフニューラルネットワーク(GNN)ベースの手法はBPの欠点を克服し、優れた性能を実現することができる。
論文 参考訳(メタデータ) (2022-05-22T08:01:47Z) - RU-Net: Regularized Unrolling Network for Scene Graph Generation [92.95032610978511]
シーングラフ生成(SGG)は、オブジェクトを検出し、各オブジェクト間の関係を予測することを目的としている。
既存のSGG法は,(1)あいまいな対象表現,2)関係予測の多様性の低下など,いくつかの問題に悩まされることが多い。
両問題に対処する正規化アンローリングネットワーク(RU-Net)を提案する。
論文 参考訳(メタデータ) (2022-05-03T04:21:15Z) - Real-Time GPU-Accelerated Machine Learning Based Multiuser Detection for
5G and Beyond [70.81551587109833]
非線形ビームフォーミングフィルタは、大規模な接続を伴う定常シナリオにおいて、線形アプローチを著しく上回る。
主な課題の1つは、これらのアルゴリズムのリアルタイム実装である。
本稿では,大規模並列化によるAPSMに基づくアルゴリズムの高速化について検討する。
論文 参考訳(メタデータ) (2022-01-13T15:20:45Z) - UFPMP-Det: Toward Accurate and Efficient Object Detection on Drone
Imagery [26.27705791338182]
本稿では,UFPMP-Det(Unified Foreground Packing)を用いたマルチプロキシ検出ネットワーク(Multi-Proxy Detection Network)を提案する。
UFPMP-Detは、高解像度の入力画像をフォアグラウンド比の低いかなり多くのチップに分割して検出する一般的なソリューションとは異なる、非常に小さなスケールの多数のインスタンスを扱うように設計されている。
広く使われているVisDroneとUAVDTデータセットで実験が行われ、UFPMP-Detは新たな最先端スコアをはるかに高速で報告し、その利点を強調している。
論文 参考訳(メタデータ) (2021-12-20T09:28:44Z) - From One to Many: A Deep Learning Coincident Gravitational-Wave Search [58.720142291102135]
単一検出器からの非スピン型二元ブラックホールデータに基づいてトレーニングされたニューラルネットワークを用いて、二元ブラックホールの融合から重力波を2検出器で探索する。
これらの単純な2検出器ネットワークはいずれも、検出器のデータに個別にネットワークを適用するよりも感度を向上させることができない。
論文 参考訳(メタデータ) (2021-08-24T13:25:02Z) - Graph Neural Networks for Massive MIMO Detection [8.516590865173407]
我々は,無線通信におけるMIMO(Multiple-input multiple-output)検出の推測タスクに対するメッセージパッシングソリューションを学習する。
我々は、マルコフ確率場(MRF)に基づくグラフィカルモデルを採用し、送信されたシンボルに対して一様であると仮定すると、信念伝播(BP)が貧弱な結果をもたらす。
論文 参考訳(メタデータ) (2020-07-11T07:34:56Z)
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。