論文の概要: Variational Inference Aided Estimation of Time Varying Channels
- arxiv url: http://arxiv.org/abs/2210.17177v1
- Date: Mon, 31 Oct 2022 09:46:15 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-01 19:15:28.379841
- Title: Variational Inference Aided Estimation of Time Varying Channels
- Title(参考訳): 変分推定による時間変化チャネルの推定
- Authors: Benedikt B\"ock, Michael Baur, Valentina Rizzello, Wolfgang Utschick
- Abstract要約: 我々はk-MemoryMarkovVAE (k-MMVAE)と呼ばれる新しいDVAEアーキテクチャを導入する。
我々は、連続した観測の時間的相関を考慮に入れたk-MMVAE支援チャネル推定器を導出する。
この結果はQuaDRiGaによるシミュレーションチャネルで評価され,k-MMVAE支援チャネル推定器が他の機械学習(ML)支援チャネル推定器よりも明らかに優れていることを示す。
- 参考スコア(独自算出の注目度): 10.105132487203281
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: One way to improve the estimation of time varying channels is to incorporate
knowledge of previous observations. In this context, Dynamical VAEs (DVAEs)
build a promising deep learning (DL) framework which is well suited to learn
the distribution of time series data. We introduce a new DVAE architecture,
called k-MemoryMarkovVAE (k-MMVAE), whose sparsity can be controlled by an
additional memory parameter. Following the approach in [1] we derive a k-MMVAE
aided channel estimator which takes temporal correlations of successive
observations into account. The results are evaluated on simulated channels by
QuaDRiGa and show that the k-MMVAE aided channel estimator clearly outperforms
other machine learning (ML) aided estimators which are either memoryless or
naively extended to time varying channels without major adaptions.
- Abstract(参考訳): 時間変化チャネルの推定を改善する一つの方法は、以前の観測の知識を取り入れることである。
この文脈では、Dynamical VAE(DVAE)は、時系列データの分布を学習するのに適した、有望なディープラーニング(DL)フレームワークを構築します。
我々はk-MemoryMarkovVAE (k-MMVAE)と呼ばれる新しいDVAEアーキテクチャを導入する。
[1]のアプローチに従うと、連続する観測の時間的相関を考慮したk-MMVAE支援チャネル推定器が導出される。
これらの結果から,k-MMVAE支援チャネル推定器は,メモリレス,あるいは経時変化チャネルに拡張した他の機械学習(ML)支援チャネル推定器よりも明らかに優れていることが示された。
関連論文リスト
- Stock Volume Forecasting with Advanced Information by Conditional Variational Auto-Encoder [49.97673761305336]
本研究では,短時間・長期の予測作業において,日当たりのストックボリューム時系列の予測を改善するために,条件変動(CVAE)を用いることを実証する。
CVAEは非線形時系列をサンプル外予測として生成し、精度が向上し、実際のデータとの相関関係がより緊密になる。
論文 参考訳(メタデータ) (2024-06-19T13:13:06Z) - Joint Sparsity Pattern Learning Based Channel Estimation for Massive
MIMO-OTFS Systems [46.42375183269616]
大規模マルチインプット・マルチアウトプット(MIMO)変調システムのためのジョイント・スパシティ・パターン・ラーニング(JSPL)に基づくチャネル推定手法を提案する。
シミュレーション結果と解析の結果から,提案したチャネル推定手法は,最先端のベースライン方式よりも性能が向上することが示された。
論文 参考訳(メタデータ) (2024-03-06T15:05:39Z) - Rethinking Channel Dependence for Multivariate Time Series Forecasting: Learning from Leading Indicators [23.50574069148193]
本稿では,まず,各段階における先行指標とその先行ステップを効率的に推定するLIFTという新しい手法を提案する。
LIFTは任意の時系列予測メソッドとシームレスに協調できるプラグインとして機能する。
論文 参考訳(メタデータ) (2024-01-31T02:26:09Z) - Online Variational Sequential Monte Carlo [49.97673761305336]
我々は,計算効率が高く正確なモデルパラメータ推定とベイジアン潜在状態推定を提供する変分連続モンテカルロ法(VSMC)を構築した。
オンラインVSMCは、パラメータ推定と粒子提案適応の両方を効率よく、完全にオンザフライで実行することができる。
論文 参考訳(メタデータ) (2023-12-19T21:45:38Z) - CARD: Channel Aligned Robust Blend Transformer for Time Series
Forecasting [50.23240107430597]
本稿では,CARD(Channel Aligned Robust Blend Transformer)という特殊なトランスを設計する。
まず、CARDはチャネルに沿ったアテンション構造を導入し、信号間の時間的相関をキャプチャする。
第二に、マルチスケール知識を効率的に活用するために、異なる解像度のトークンを生成するトークンブレンドモジュールを設計する。
第3に,潜在的な過度な問題を軽減するため,時系列予測のためのロバストな損失関数を導入する。
論文 参考訳(メタデータ) (2023-05-20T05:16:31Z) - The Capacity and Robustness Trade-off: Revisiting the Channel
Independent Strategy for Multivariate Time Series Forecasting [50.48888534815361]
本稿では、Channel Dependent(CD)戦略でトレーニングされたモデルが、Channel Dependent(CD)戦略でトレーニングされたモデルよりも優れていることを示す。
以上の結果から,CD手法は高いキャパシティを持つが,分散ドリフト時系列を正確に予測する堅牢性に欠けることがわかった。
本稿では,CI戦略を超越した正規化(PRReg)による予測残差法(Predict Residuals with Regularization, PRReg)を提案する。
論文 参考訳(メタデータ) (2023-04-11T13:15:33Z) - Pay Less But Get More: A Dual-Attention-based Channel Estimation Network
for Massive MIMO Systems with Low-Density Pilots [41.213515826100696]
低密度パイロットによる正確なチャネル推定を実現するために,デュアルアテンションに基づくチャネル推定ネットワーク(DACEN)を提案する。
実験結果から,提案手法は既存の手法よりも優れたチャネル推定性能が得られることがわかった。
論文 参考訳(メタデータ) (2023-03-02T05:34:25Z) - Variational Autoencoder Leveraged MMSE Channel Estimation [10.013371919782593]
データ駆動型チャネル推定のための変分オートエンコーダ(VAE)を提案する。
VAEに基づくチャネル推定器がMMSEチャネル推定器を近似する方法について論じる。
推定時にVAEの入力時に完全に既知のチャネル状態が与えられると、これは現実的ではないので、ベンチマーク結果として機能する推定器を得る。
論文 参考訳(メタデータ) (2022-05-11T08:45:54Z) - MIMO Channel Estimation using Score-Based Generative Models [1.6752182911522517]
本稿では,ディープスコアに基づく生成モデルを用いたチャネル推定手法を提案する。
これらのモデルは、対数-主分布の勾配を推定するために訓練され、観測された信号の測定から推定を反復的に洗練するために使用することができる。
論文 参考訳(メタデータ) (2022-04-14T17:23:58Z) - A Variational Bayesian Approach to Learning Latent Variables for
Acoustic Knowledge Transfer [55.20627066525205]
本稿では,ディープニューラルネットワーク(DNN)モデルにおける潜伏変数の分布を学習するための変分ベイズ(VB)アプローチを提案する。
我々の提案するVBアプローチは,ターゲットデバイスにおいて良好な改善が得られ,しかも,13の最先端知識伝達アルゴリズムを一貫して上回っている。
論文 参考訳(メタデータ) (2021-10-16T15:54:01Z) - Learning to Perform Downlink Channel Estimation in Massive MIMO Systems [72.76968022465469]
大規模マルチインプット・マルチアウトプット(MIMO)システムにおけるダウンリンク(DL)チャネル推定について検討する。
一般的なアプローチは、チャネル硬化によって動機付けられた推定値として平均値を使用することである。
本稿では2つの新しい推定法を提案する。
論文 参考訳(メタデータ) (2021-09-06T13:42:32Z)
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。