論文の概要: Liquid State Machine-Empowered Reflection Tracking in RIS-Aided THz
Communications
- arxiv url: http://arxiv.org/abs/2208.04400v1
- Date: Mon, 8 Aug 2022 20:19:57 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-10 13:15:20.618237
- Title: Liquid State Machine-Empowered Reflection Tracking in RIS-Aided THz
Communications
- Title(参考訳): RIS支援THz通信における液体状態機械駆動反射追跡
- Authors: Hosein Zarini, Narges Gholipoor, Mohamad Robat Mili, Mehdi Rasti, Hina
Tabassum and Ekram Hossain
- Abstract要約: 本稿では,時系列予測の観点からの深層学習の助けを借りて,RIS反射係数を追跡する枠組みを提案する。
提案したフレームワークは、類似の学習駆動フレームワークに対して2段階の強化を実現する。
- 参考スコア(独自算出の注目度): 31.302962202786027
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Passive beamforming in reconfigurable intelligent surfaces (RISs) enables a
feasible and efficient way of communication when the RIS reflection
coefficients are precisely adjusted. In this paper, we present a framework to
track the RIS reflection coefficients with the aid of deep learning from a
time-series prediction perspective in a terahertz (THz) communication system.
The proposed framework achieves a two-step enhancement over the similar
learning-driven counterparts. Specifically, in the first step, we train a
liquid state machine (LSM) to track the historical RIS reflection coefficients
at prior time steps (known as a time-series sequence) and predict their
upcoming time steps. We also fine-tune the trained LSM through Xavier
initialization technique to decrease the prediction variance, thus resulting in
a higher prediction accuracy. In the second step, we use ensemble learning
technique which leverages on the prediction power of multiple LSMs to minimize
the prediction variance and improve the precision of the first step. It is
numerically demonstrated that, in the first step, employing the Xavier
initialization technique to fine-tune the LSM results in at most 26% lower LSM
prediction variance and as much as 46% achievable spectral efficiency (SE)
improvement over the existing counterparts, when an RIS of size 11x11 is
deployed. In the second step, under the same computational complexity of
training a single LSM, the ensemble learning with multiple LSMs degrades the
prediction variance of a single LSM up to 66% and improves the system
achievable SE at most 54%.
- Abstract(参考訳): RIS(reconfigurable intelligent surface)におけるパッシブビームフォーミングは、RIS反射係数を正確に調整した場合に、実現可能かつ効率的な通信を可能にする。
本稿では,テラヘルツ(THz)通信システムにおいて,時系列予測の観点からの深層学習によるRIS反射係数の追跡を行うフレームワークを提案する。
提案したフレームワークは、類似の学習駆動フレームワークに対して2段階の強化を実現する。
具体的には、第1段階において、過去のRIS反射係数を前段(時系列シーケンスとして知られる)で追跡する液体状態機械(LSM)を訓練し、今後の時間ステップを予測する。
また,学習したlsmをxavier初期化手法で微調整し,予測ばらつきを低減し,高い予測精度を実現する。
第2段階では,複数のlsmの予測力を活用したアンサンブル学習手法を用いて予測分散を最小化し,第1ステップの精度を向上させる。
第1段階では、lsmを微調整するためにxavier初期化技術を用いることで、最大で26%のlsm予測分散と最大46%の到達可能なスペクトル効率 (se) 向上が得られることが示される。
2番目のステップでは、1つのLSMをトレーニングするのと同じ計算複雑性の下で、複数のLSMによるアンサンブル学習は、1つのLSMの予測分散を66%まで低下させ、システム達成可能なSEを最大54%改善する。
関連論文リスト
- Semi-Federated Learning: Convergence Analysis and Optimization of A
Hybrid Learning Framework [70.83511997272457]
本稿では,ベースステーション(BS)とデバイスの両方を活用するセミフェデレーション学習(SemiFL)パラダイムを提案し,中央集権学習(CL)とFLのハイブリッド実装を提案する。
我々はこの難解な問題を解くための2段階のアルゴリズムを提案し、ビームフォーマに閉形式解を提供する。
論文 参考訳(メタデータ) (2023-10-04T03:32:39Z) - What Constitutes Good Contrastive Learning in Time-Series Forecasting? [10.44543726728613]
自己教師付きコントラスト学習(SSCL)は、様々な領域にわたる表現学習において顕著に改善されている。
本稿では,様々なSSCLアルゴリズムの有効性,学習戦略,モデルアーキテクチャ,それらの相互作用を包括的に分析することを目的とする。
平均二乗誤差(MSE)損失とSSCLを用いたトランスフォーマーモデルのエンドツーエンドトレーニングが時系列予測において最も効果的な手法として現れることを示す。
論文 参考訳(メタデータ) (2023-06-21T08:05:05Z) - Active RIS-aided EH-NOMA Networks: A Deep Reinforcement Learning
Approach [66.53364438507208]
アクティブな再構成可能なインテリジェントサーフェス(RIS)支援マルチユーザダウンリンク通信システムについて検討した。
非直交多重アクセス(NOMA)はスペクトル効率を向上させるために使用され、活性RISはエネルギー回収(EH)によって駆動される。
ユーザの動的通信状態を予測するために,高度なLSTMベースのアルゴリズムを開発した。
増幅行列と位相シフト行列RISを結合制御するためにDDPGに基づくアルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-04-11T13:16:28Z) - Unbiased and Efficient Self-Supervised Incremental Contrastive Learning [31.763904668737304]
本稿では,新たなIncremental InfoNCE(NCE-II)損失関数からなる自己教師型Incremental Contrastive Learning(ICL)フレームワークを提案する。
ICLは最大16.7倍のトレーニングスピードアップと16.8倍の高速収束を実現している。
論文 参考訳(メタデータ) (2023-01-28T06:11:31Z) - Learning with Multiclass AUC: Theory and Algorithms [141.63211412386283]
ROC曲線 (AUC) の下の領域は、不均衡学習やレコメンダシステムといった問題に対するよく知られたランキング基準である。
本稿では,マルチクラスAUCメトリクスを最適化することで,多クラススコアリング関数を学習する問題について検討する。
論文 参考訳(メタデータ) (2021-07-28T05:18:10Z) - Semi-supervised Contrastive Learning with Similarity Co-calibration [72.38187308270135]
SsCL(Semi-supervised Contrastive Learning)と呼ばれる新しいトレーニング戦略を提案する。
ssclは、自己教師付き学習におけるよく知られたコントラスト損失と、半教師付き学習におけるクロスエントロピー損失を組み合わせる。
SsCLはより差別的な表現を生じさせ,ショット学習に有益であることを示す。
論文 参考訳(メタデータ) (2021-05-16T09:13:56Z) - Federated Learning via Intelligent Reflecting Surface [30.935389187215474]
オーバー・ザ・エア・コンピューティング・アルゴリズム(FL)は,複数のアクセスチャネルの波形重畳特性を利用して高速なモデルアグリゲーションを実現することができる。
本稿では,AirCompベースのFLのための高速かつ信頼性の高いモデルアグリゲーションを実現するための2段階最適化フレームワークを提案する。
シミュレーションの結果,提案するフレームワークとIRSの展開により,ベースラインアルゴリズムよりもトレーニング損失が低く,FL予測精度も高いことがわかった。
論文 参考訳(メタデータ) (2020-11-10T11:29:57Z) - Towards Understanding Label Smoothing [36.54164997035046]
ラベルスムーズな正規化(LSR)は、トレーニングアルゴリズムによるディープニューラルネットワークにおいて大きな成功を収めている。
適切なLSRが分散を減少させることで収束を加速することを示す。
本稿では,TSLA(Two-Stage LAbel smoothing algorithm)を提案する。
論文 参考訳(メタデータ) (2020-06-20T20:36:17Z) - Reparameterized Variational Divergence Minimization for Stable Imitation [57.06909373038396]
確率的発散の選択における変動が、より高性能なILOアルゴリズムをもたらす可能性について検討する。
本稿では,提案する$f$-divergence最小化フレームワークの課題を軽減するために,逆模倣学習のための再パラメータ化手法を提案する。
経験的に、我々の設計選択は、ベースラインアプローチより優れ、低次元連続制御タスクにおける専門家のパフォーマンスとより密に適合するIOOアルゴリズムを許容することを示した。
論文 参考訳(メタデータ) (2020-06-18T19:04:09Z) - Millimeter Wave Communications with an Intelligent Reflector:
Performance Optimization and Distributional Reinforcement Learning [119.97450366894718]
ミリ波基地局のダウンリンクマルチユーザ通信を最適化するための新しいフレームワークを提案する。
チャネル状態情報(CSI)をリアルタイムで計測するために,チャネル推定手法を開発した。
最適赤外反射を学習し、ダウンリンク能力の期待を最大化するために、分布強化学習(DRL)手法を提案する。
論文 参考訳(メタデータ) (2020-02-24T22:18:54Z)
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。