論文の概要: Machine Learning-Aided Efficient Decoding of Reed-Muller Subcodes
- arxiv url: http://arxiv.org/abs/2301.06251v1
- Date: Mon, 16 Jan 2023 04:11:14 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-18 16:34:52.928572
- Title: Machine Learning-Aided Efficient Decoding of Reed-Muller Subcodes
- Title(参考訳): 機械学習によるリードミューラーサブコードの効率的な復号化
- Authors: Mohammad Vahid Jamali, Xiyang Liu, Ashok Vardhan Makkuva, Hessam
Mahdavifar, Sewoong Oh, and Pramod Viswanath
- Abstract要約: Reed-Muller (RM) 符号は、一般的なバイナリインプットメモリレス対称チャネルの容量を達成する。
一般的なコードパラメータ用の最大形デコーダに近い性能を持つ効率的なデコーダがない。
本稿では,フレキシブルレートのRM符号のサブコードに焦点をあてる。
- 参考スコア(独自算出の注目度): 59.55193427277134
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Reed-Muller (RM) codes achieve the capacity of general binary-input
memoryless symmetric channels and have a comparable performance to that of
random codes in terms of scaling laws. However, they lack efficient decoders
with performance close to that of a maximum-likelihood decoder for general code
parameters. Also, they only admit limited sets of rates. In this paper, we
focus on subcodes of RM codes with flexible rates. We first extend the
recently-introduced recursive projection-aggregation (RPA) decoding algorithm
to RM subcodes. To lower the complexity of our decoding algorithm, referred to
as subRPA, we investigate different approaches to prune the projections. Next,
we derive the soft-decision based version of our algorithm, called soft-subRPA,
that not only improves upon the performance of subRPA but also enables a
differentiable decoding algorithm. Building upon the soft-subRPA algorithm, we
then provide a framework for training a machine learning (ML) model to search
for \textit{good} sets of projections that minimize the decoding error rate.
Training our ML model enables achieving very close to the performance of
full-projection decoding with a significantly smaller number of projections. We
also show that the choice of the projections in decoding RM subcodes matters
significantly, and our ML-aided projection pruning scheme is able to find a
\textit{good} selection, i.e., with negligible performance degradation compared
to the full-projection case, given a reasonable number of projections.
- Abstract(参考訳): Reed-Muller (RM) 符号は、一般的なバイナリインプットメモリレス対称チャネルの容量を達成し、スケーリング法則の点でランダムコードに匹敵する性能を持つ。
しかし、一般的なコードパラメータの最大値に近い性能を持つ効率的なデコーダは欠如している。
また、限定的なレートしか認めていない。
本稿では,フレキシブルレートのRM符号のサブコードに焦点をあてる。
まず,最近導入された再帰的投射集約(rpa)復号アルゴリズムをrmサブコードに拡張する。
サブRPAと呼ばれるデコードアルゴリズムの複雑さを低減するために、プロジェクションを熟成するための異なるアプローチを検討する。
次に,本アルゴリズムのソフト決定に基づくバージョンであるSoft-subRPAを導出し,サブRPAの性能を向上するだけでなく,識別可能な復号アルゴリズムを実現する。
次に、soft-subrpaアルゴリズムに基づいて、機械学習(ml)モデルをトレーニングして、デコードエラー率を最小化するプロジェクションの \textit{good}集合を探索するフレームワークを提供する。
MLモデルをトレーニングすることで、プロジェクションの数を大幅に少なくして、フルプロジェクションデコーディングのパフォーマンスに非常に近いことが可能になります。
また,rmサブコードの復号化におけるプロジェクションの選択は著しく重要であり,ml支援のプロジェクションプラニング方式では,妥当な数のプロジェクションが与えられれば,全プロジェクションに比べて性能が著しく低下する\textit{good} 選択を見出すことができることを示した。
関連論文リスト
- Deep Learning Assisted Multiuser MIMO Load Modulated Systems for
Enhanced Downlink mmWave Communications [68.96633803796003]
本稿では, マルチユーザ負荷変調アレイ (MU-LMA) に着目し, マイクロウェーブ (mmWave) マルチインプット・マルチアウトプット (MIMO) システムにおいて, マルチユーザ負荷変調アレイ (MU-LMA) の小型化とコスト削減を図っている。
ダウンリンクMU-LMAの既存のプリコーディングアルゴリズムは、自由度と複雑なシステム構成の低下に悩まされるサブアレイ構造化(SAS)送信機に依存している。
本稿では,FAS (Full-array Structured) 送信機を用いたMU-LMAシステムを提案し,それに応じて2つのアルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-11-08T08:54:56Z) - Quality-Aware Translation Models: Efficient Generation and Quality
Estimation in a Single Model [80.52182596068464]
そこで我々は,ニューラルネットワーク翻訳(NMT)モデルを用いて,その品質を学習し,その品質を推定する手法を提案する。
我々は、単一パスの復号化の効率性よりも、品質向上や品質改善のアプローチよりも優れた品質向上を得る。
論文 参考訳(メタデータ) (2023-10-10T15:33:51Z) - CodeT5+: Open Code Large Language Models for Code Understanding and
Generation [72.1638273937025]
大きな言語モデル (LLM) は膨大なソースコードで事前訓練されており、コードインテリジェンスにおいて顕著な進歩を遂げている。
CodeT5+は、コンポーネントモジュールを柔軟に組み合わせて、幅広い下流のコードタスクに適合させることができるコードのためのエンコーダ-デコーダLLMのファミリーである。
我々は、ゼロショット、微調整、命令調整を含む20以上のコード関連ベンチマークでCodeT5+を広範囲に評価した。
論文 参考訳(メタデータ) (2023-05-13T14:23:07Z) - Efficient Machine-Learning-based decoder for Heavy Hexagonal QECC [0.9670182163018803]
表面符号のような位相符号は、通常、MWPM (Minimum Weight Perfect Matching) ベースのデコーダを使用してデコードされた。
近年の進歩により、トポロジカルコードは機械学習(ML)技術の展開によって効率的に復号化可能であることが示されている。
論文 参考訳(メタデータ) (2022-10-18T10:16:14Z) - Conservation laws and quantum error correction: towards a generalised
matching decoder [2.1756081703276]
原型量子低密度パリティチェック符号である表面符号の復号アルゴリズムについて検討する。
デコーダは、表面符号安定化素子間の物質化された対称性によって生じる基盤構造を利用する。
本研究では,特定の特性を持つ符号に対して,最小重み付き完全整合デコーダを構築する方式を提案する。
論文 参考訳(メタデータ) (2022-07-13T18:00:00Z) - Less is More: Pre-training a Strong Siamese Encoder Using a Weak Decoder [75.84152924972462]
多くの実世界のアプリケーションはSiameseネットワークを使用して、テキストシーケンスを大規模に効率的にマッチングします。
本稿では,シームズアーキテクチャにおけるシーケンスマッチング専用の言語モデルを事前学習する。
論文 参考訳(メタデータ) (2021-02-18T08:08:17Z) - A PDD Decoder for Binary Linear Codes With Neural Check Polytope
Projection [43.97522161614078]
基本ポリトープに基づく最大可算(ML)復号問題に対処するPDDアルゴリズムを提案する。
また、PDD復号アルゴリズムの最も時間を要する部分に機械学習技術を統合することを提案する。
本稿では、デコード遅延を低減するために特別に設計されたニューラルCPP(N CPP)アルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-06-11T07:57:15Z) - Encoder blind combinatorial compressed sensing [5.177947445379688]
線形測定のみからスパース符号の集合を復元するデコーダを設計する際の問題点を考察する。
本稿では,Decoder-Expander Based Factorisationという計算効率のよいデコードアルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-04-10T16:26:11Z) - ADMM-based Decoder for Binary Linear Codes Aided by Deep Learning [40.25456611849273]
この研究は、二進線形符号に対するディープニューラルネットワーク支援復号アルゴリズムを示す。
ディープ・アンフォールディングの概念に基づいて,乗算器の交互方向のデコーダ(ADMM)を展開させてデコードネットワークを設計する。
以上の結果から,DL支援デコーダはADMM課金デコーダよりも優れていた。
論文 参考訳(メタデータ) (2020-02-14T03:32:14Z) - Pruning Neural Belief Propagation Decoders [77.237958592189]
本稿では,機械学習を用いたBPデコードに対して,過剰完全パリティチェック行列を調整する手法を提案する。
我々は,デコーダの複雑さを低減しつつ,0.27dB,1.5dBのML性能を実現する。
論文 参考訳(メタデータ) (2020-01-21T12:05:46Z)
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。