論文の概要: Denoising Diffusion Error Correction Codes
- arxiv url: http://arxiv.org/abs/2209.13533v1
- Date: Fri, 16 Sep 2022 11:00:50 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-02 23:32:01.958222
- Title: Denoising Diffusion Error Correction Codes
- Title（参考訳）: 拡散誤差訂正符号のノイズ化
- Authors: Yoni Choukroun and Lior Wolf
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 92.10654749898927
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Error correction code (ECC) is an integral part of the physical communication
layer, ensuring reliable data transfer over noisy channels. Recently, neural
decoders have demonstrated their advantage over classical decoding techniques.
However, recent state-of-the-art neural decoders suffer from high complexity
and lack the important iterative scheme characteristic of many legacy decoders.
In this work, we propose to employ denoising diffusion models for the soft
decoding of linear codes at arbitrary block lengths. Our framework models the
forward channel corruption as a series of diffusion steps that can be reversed
iteratively. Three contributions are made: (i) a diffusion process suitable for
the decoding setting is introduced, (ii) the neural diffusion decoder is
conditioned on the number of parity errors, which indicates the level of
corruption at a given step, (iii) a line search procedure based on the code's
syndrome obtains the optimal reverse diffusion step size. The proposed approach
demonstrates the power of diffusion models for ECC and is able to achieve state
of the art accuracy, outperforming the other neural decoders by sizable
margins, even for a single reverse diffusion step.
- Abstract（参考訳）: 誤り訂正符号(ECC)は物理通信層の不可欠な部分であり、ノイズのあるチャネル上での信頼性の高いデータ転送を保証する。
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。
しかし、最近の最先端のニューラルデコーダは複雑度が高く、多くのレガシデコーダの重要な反復スキームを欠いている。
そこで本研究では,任意のブロック長の線形符号のソフト復号化に雑音拡散モデルを適用することを提案する。
我々のフレームワークは、前方チャネルの破損を反復的に逆転できる一連の拡散ステップとしてモデル化する。
3つの貢献がある。
(i)復号設定に適した拡散処理を導入する。
(ii)神経拡散デコーダは、与えられたステップにおける腐敗のレベルを示すパリティエラーの数に基づいて条件づけされる。
(iii)コード症候群に基づく行探索手順は、最適な逆拡散ステップサイズを得る。
提案手法は,eccの拡散モデルのパワーを実証し,単一の逆拡散ステップであっても,他の神経デコーダよりも大きなマージンで精度を発揮できることを示す。
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) - Friendly Attacks to Improve Channel Coding Reliability [0.33993877661368754]
フレンドリーアタック」は、エラー訂正チャネルコードの性能を向上させることを目的としている。
敵攻撃の概念に触発された本手法は,ニューラルネットワーク入力にわずかな摂動を導入するという考え方を活用する。
提案手法は,異なるチャネル,変調,コード,デコーダ間の信頼性を向上させることができることを示す。
論文 参考訳（メタデータ） (2024-01-25T13:46:21Z) - Graph Neural Networks for Enhanced Decoding of Quantum LDPC Codes [6.175503577352742]
量子低密度パリティチェック(LDPC)符号に対する微分可能な反復デコーダを提案する。
提案アルゴリズムは,古典的信念伝達(BP)復号段階と中間グラフニューラルネットワーク(GNN)層から構成される。
論文 参考訳（メタデータ） (2023-10-26T19:56:25Z) - High Perceptual Quality Wireless Image Delivery with Denoising Diffusion
Models [10.763194436114194]
深層学習を用いたジョイントソースチャネル符号化(DeepJSCC)によるノイズの多い無線チャネル上の画像伝送問題について検討する。
対象画像のレンジ・ヌル空間分解を利用した新しい手法を提案する。
再建画像の歪みと知覚的品質は,標準的なDeepJSCCや最先端の生成学習法と比較して有意に向上した。
論文 参考訳（メタデータ） (2023-09-27T16:30:59Z) - 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) - 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) - 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) - Infomax Neural Joint Source-Channel Coding via Adversarial Bit Flip [41.28049430114734]
本稿では、ニューラルジョイント・ソース・チャネル符号化方式の安定性と堅牢性を改善するために、Infomax Adversarial-Bit-Flip (IABF) と呼ばれる新しい正規化手法を提案する。
我々のIABFは、圧縮と誤り訂正のベンチマークの両方で最先端のパフォーマンスを達成でき、ベースラインをかなりの差で上回ることができる。
論文 参考訳（メタデータ） (2020-04-03T10:00:02Z)
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。