論文の概要: All you need is feedback: Communication with block attention feedback codes

• arxiv url: http://arxiv.org/abs/2206.09457v1
• Date: Sun, 19 Jun 2022 17:55:04 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-22 15:35:25.020250
• Title: All you need is feedback: Communication with block attention feedback codes
• Title（参考訳）: 必要なのはフィードバックのみ - ブロック注意フィードバックコードによるコミュニケーション
• Authors: Emre Ozfatura, Yulin Shao, Alberto Perotti, Branislav Popovic, Deniz Gunduz
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 12.459538600658034
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Deep learning based channel code designs have recently gained interest as an alternative to conventional coding algorithms, particularly for channels for which existing codes do not provide effective solutions. Communication over a feedback channel is one such problem, for which promising results have recently been obtained by employing various deep learning architectures. In this paper, we introduce a novel learning-aided code design for feedback channels, called generalized block attention feedback (GBAF) codes, which i) employs a modular architecture that can be implemented using different neural network architectures; ii) provides order-of-magnitude improvements in the probability of error compared to existing designs; and iii) can transmit at desired code rates.
• Abstract（参考訳）: ディープラーニングに基づくチャネル設計は、特に既存のコードが効果的なソリューションを提供していないチャネルに対して、従来のコーディングアルゴリズムに代わるものとして最近関心を集めている。 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であり,様々なディープラーニングアーキテクチャを用いて,将来性のある結果が得られた。 本稿では,GBAF(Generalized Block attention feedback)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提案する。 i) 異なるニューラルネットワークアーキテクチャを用いて実装可能なモジュールアーキテクチャを採用する。 二 既存の意匠に比較して誤差の確率の秩序改善を提供すること。 iii) 所望の符号レートで送信することができる。

関連論文リスト

• Factor Graph Optimization of Error-Correcting Codes for Belief Propagation Decoding [62.25533750469467]
  低密度パリティ・チェック (LDPC) コードは、他の種類のコードに対していくつかの利点がある。 提案手法は,既存の人気符号の復号性能を桁違いに向上させる。
  論文  参考訳（メタデータ） (2024-06-09T12:08:56Z)
• 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)
• Coding for Gaussian Two-Way Channels: Linear and Learning-Based Approaches [28.98777190628006]
  線形符号化と学習ベース符号化の2つの異なる双方向符号化方式を提案する。 学習に基づくコーディングには、新しいリカレントニューラルネットワーク(RNN)ベースのコーディングアーキテクチャを導入する。 我々の双方向符号化方式は、従来のチャネル符号化方式よりも格段に優れている。
  論文  参考訳（メタデータ） (2023-12-31T12:40:18Z)
• Robust Non-Linear Feedback Coding via Power-Constrained Deep Learning [7.941112438865385]
  我々は,チャネルノイズに対するロバスト性を大幅に向上させる非線形フィードバック符号の新たなファミリーを開発する。 我々のオートエンコーダベースのアーキテクチャは、連続するビットブロックに基づいてコードを学ぶように設計されている。 提案手法は, 現実的なフォワードやフィードバックノイズシステムよりも, 最先端のフィードバックコードよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-04-25T22:21:26Z)
• 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)
• 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)
• Error Correction Code Transformer [92.10654749898927]
  本稿では,トランスフォーマーアーキテクチャを任意のブロック長で線形符号のソフトデコードに拡張することを提案する。 我々は,各チャネルの出力次元を高次元に符号化し,個別に処理すべきビット情報のより良い表現を行う。 提案手法は、トランスフォーマーの極端なパワーと柔軟性を示し、既存の最先端のニューラルデコーダを、その時間的複雑さのごく一部で大きなマージンで上回る。
  論文  参考訳（メタデータ） (2022-03-27T15:25:58Z)
• KO codes: Inventing Nonlinear Encoding and Decoding for Reliable Wireless Communication via Deep-learning [76.5589486928387]
  ランドマークコードは、Reed-Muller、BCH、Convolution、Turbo、LDPC、Polarといった信頼性の高い物理層通信を支える。 本論文では、ディープラーニング駆動型(エンコーダ、デコーダ)ペアの計算効率の良いファミリーであるKO符号を構築する。 KO符号は最先端のリード・ミュラー符号と極符号を破り、低複雑さの逐次復号法で復号された。
  論文  参考訳（メタデータ） (2021-08-29T21:08:30Z)
• Deep Extended Feedback Codes [9.112162560071937]
  DEFアーキテクチャのエンコーダは情報メッセージを送信し、その後にパリティシンボルのシーケンスが続く。 DEFコードはDeepcodeをいくつかの方法で一般化し、より良いエラー修正機能を提供します。 性能評価では、DEF符号はフィードバックのあるチャンネルの他のDNN符号よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2021-05-04T08:41:14Z)
• 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)

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。