論文の概要: Blind and Channel-agnostic Equalization Using Adversarial Networks
- arxiv url: http://arxiv.org/abs/2209.07277v1
- Date: Thu, 15 Sep 2022 13:11:18 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-16 13:46:10.338256
- Title: Blind and Channel-agnostic Equalization Using Adversarial Networks
- Title(参考訳): 逆ネットワークを用いたブラインドとチャネル非依存の等化
- Authors: Vincent Lauinger, Manuel Hoffmann, Jonas Ney, Norbert Wehn, and
Laurent Schmalen
- Abstract要約: 本稿では,適応型等化器方式を提案する。この方式は,対向ネットワークを用いた等化器の学習により,深層学習の高度化を図ったものである。
提案手法は等化器トポロジーとは独立であり、強力なニューラルネットワークに基づく等化器の適用を可能にする。
- 参考スコア(独自算出の注目度): 4.9755999934202535
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Due to the rapid development of autonomous driving, the Internet of Things
and streaming services, modern communication systems have to cope with varying
channel conditions and a steadily rising number of users and devices. This, and
the still rising bandwidth demands, can only be met by intelligent network
automation, which requires highly flexible and blind transceiver algorithms. To
tackle those challenges, we propose a novel adaptive equalization scheme, which
exploits the prosperous advances in deep learning by training an equalizer with
an adversarial network. The learning is only based on the statistics of the
transmit signal, so it is blind regarding the actual transmit symbols and
agnostic to the channel model. The proposed approach is independent of the
equalizer topology and enables the application of powerful neural network based
equalizers. In this work, we prove this concept in simulations of different --
both linear and nonlinear -- transmission channels and demonstrate the
capability of the proposed blind learning scheme to approach the performance of
non-blind equalizers. Furthermore, we provide a theoretical perspective and
highlight the challenges of the approach.
- Abstract(参考訳): 自動運転、モノのインターネット、ストリーミングサービスの急速な発展により、現代の通信システムは様々なチャネル条件と着実に増加するユーザとデバイスに対応しなければならない。
このような帯域幅の要求は、高度にフレキシブルで盲目なトランシーバアルゴリズムを必要とするインテリジェントなネットワーク自動化によってのみ満たされる。
これらの課題に対処するため,我々は,敵ネットワークを用いたイコライザを訓練することにより,ディープラーニングの隆盛を生かした適応的イコライズスキームを提案する。
学習は、送信信号の統計のみに基づいて行われるため、実際の送信シンボルに関しては盲目であり、チャネルモデルとは無関係である。
提案手法はイコライザトポロジとは独立であり,強力なニューラルネットワークベースのイコライザの適用を可能にする。
本研究では, 非線形・非線形の異なる伝送チャネルのシミュレーションにおいて, この概念を証明し, 非盲検等化器の性能にアプローチするためのブラインド学習方式の有効性を示す。
さらに,理論的な視点を提供し,アプローチの課題を強調する。
関連論文リスト
- Learning for Semantic Knowledge Base-Guided Online Feature Transmission
in Dynamic Channels [41.59960455142914]
本稿では,エンドツーエンド通信システムにおける動的チャネル条件とデバイスモビリティの課題に対処する,オンライン最適化フレームワークを提案する。
提案手法は,多レベル特徴伝達を駆動するための意味的知識ベースを活用することによって,既存の手法に基づいている。
オンライン最適化の課題を解決するために,リアルタイム意思決定のための報酬関数を慎重に設計した,ソフトアクターに基づく深層強化学習システムの設計を行った。
論文 参考訳(メタデータ) (2023-11-30T07:35:56Z) - Causal Semantic Communication for Digital Twins: A Generalizable
Imitation Learning Approach [74.25870052841226]
デジタルツイン(DT)は、物理世界の仮想表現と通信(例えば6G)、コンピュータ、人工知能(AI)技術を活用して、多くの接続されたインテリジェンスサービスを実現する。
無線システムは、厳密な通信制約下での情報意思決定を容易にするために意味コミュニケーション(SC)のパラダイムを利用することができる。
DTベースの無線システムでは,因果意味通信(CSC)と呼ばれる新しいフレームワークが提案されている。
論文 参考訳(メタデータ) (2023-04-25T00:15:00Z) - Channelformer: Attention based Neural Solution for Wireless Channel
Estimation and Effective Online Training [1.0499453838486013]
本稿では,改良されたチャネル推定を実現するために,エンコーダ・デコーダニューラルアーキテクチャ(Channelformer)を提案する。
我々は,復号器として,エンコーダと残差畳み込みニューラルアーキテクチャに多面的注意を払っている。
また,現代通信システムにおける第5世代(5G)新しい無線(NR)構成に基づく効果的なオンライントレーニング手法を提案する。
論文 参考訳(メタデータ) (2023-02-08T23:18:23Z) - Spiking Neural Network Decision Feedback Equalization [70.3497683558609]
決定フィードバック等化器(DFE)に似たフィードバック構造を持つSNNベースの等化器を提案する。
提案手法は,3種類の模範チャネルに対して,従来の線形等化器よりも明らかに優れていることを示す。
決定フィードバック構造を持つSNNは、競合エネルギー効率の良いトランシーバへのパスを可能にする。
論文 参考訳(メタデータ) (2022-11-09T09:19:15Z) - Interference Cancellation GAN Framework for Dynamic Channels [74.22393885274728]
チャネルのあらゆる変更に適応できるオンライントレーニングフレームワークを導入します。
我々のフレームワークは、非常にダイナミックなチャネル上での最近のニューラルネットワークモデルよりも大幅に優れています。
論文 参考訳(メタデータ) (2022-08-17T02:01:18Z) - Neuro-Symbolic Artificial Intelligence (AI) for Intent based Semantic
Communication [85.06664206117088]
6Gネットワークはデータ転送のセマンティクスと有効性(エンドユーザ)を考慮する必要がある。
観測データの背後にある因果構造を学習するための柱としてNeSy AIが提案されている。
GFlowNetは、無線システムにおいて初めて活用され、データを生成する確率構造を学ぶ。
論文 参考訳(メタデータ) (2022-05-22T07:11:57Z) - Multi-Agent Feedback Enabled Neural Networks for Intelligent
Communications [28.723523146324002]
本稿では,新しいマルチエージェントフィードバック対応ニューラルネットワーク(MAFENN)フレームワークを提案する。
MAFENNフレームワークは理論的には3人プレイのFeedback Stackelbergゲームに定式化され、このゲームはFeedback Stackelberg平衡に収束することが証明される。
無線通信におけるMAFENNフレームワークの実現可能性を検証するため,マルチエージェントMAFENNベースの等化器(MAFENN-E)を開発した。
論文 参考訳(メタデータ) (2022-05-22T05:28:43Z) - Deep Learning for Wireless Communications [3.7506111080592386]
まず、オートエンコーダを用いたエンドツーエンド通信システムの設計にディープラーニングがどのように使われているかを説明する。
次に、スペクトル状況認識におけるディープラーニングの利点を示す。
最後に,無線通信セキュリティにおけるディープラーニングの応用について論じる。
論文 参考訳(メタデータ) (2020-05-12T21:58:44Z) - Decentralized Learning for Channel Allocation in IoT Networks over
Unlicensed Bandwidth as a Contextual Multi-player Multi-armed Bandit Game [134.88020946767404]
本稿では,プライマリセルネットワークにライセンスされたスペクトルに基づいて,アドホックなモノのインターネットネットワークにおける分散チャネル割り当て問題について検討する。
本研究では,この問題をコンテキスト型マルチプレイヤー・マルチアームバンディットゲームにマッピングし,試行錯誤による純粋に分散化された3段階ポリシー学習アルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-03-30T10:05:35Z) - Data-Driven Symbol Detection via Model-Based Machine Learning [117.58188185409904]
機械学習(ML)とモデルベースアルゴリズムを組み合わせた,検出設計のシンボル化を目的とした,データ駆動型フレームワークについてレビューする。
このハイブリッドアプローチでは、よく知られたチャネルモデルに基づくアルゴリズムをMLベースのアルゴリズムで拡張し、チャネルモデル依存性を除去する。
提案手法は, 正確なチャネル入出力統計関係を知らなくても, モデルベースアルゴリズムのほぼ最適性能が得られることを示す。
論文 参考訳(メタデータ) (2020-02-14T06:58:27Z)
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。