論文の概要: Hubbard-Stratonovich Detector for Simple Trainable MIMO Signal Detection
- arxiv url: http://arxiv.org/abs/2302.04461v1
- Date: Thu, 9 Feb 2023 06:51:25 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-10 16:38:42.370836
- Title: Hubbard-Stratonovich Detector for Simple Trainable MIMO Signal Detection
- Title(参考訳): 簡易訓練可能なMIMO信号検出用ハバードストラットノビッチ検出器
- Authors: Satoshi Takabe and Takashi Abe
- Abstract要約: 深部展開(DU)は顕著な検出性能を有する。
提案した検出器はハバード-ストラットノビッチ (HS) 変換に基づいており、DUはトレーニング可能なHS検出器 (THS) と呼ばれる。
トレーニング可能なパラメータは$O(1)$で、トレーニングと実行のコストは1イテレーションあたり$O(n2)$である。
- 参考スコア(独自算出の注目度): 7.969977930633441
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Massive multiple-input multiple-output (MIMO) is a key technology used in
fifth-generation wireless communication networks and beyond. Recently, various
MIMO signal detectors based on deep learning have been proposed. Especially,
deep unfolding (DU), which involves unrolling of an existing iterative
algorithm and embedding of trainable parameters, has been applied with
remarkable detection performance. Although DU has a lesser number of trainable
parameters than conventional deep neural networks, the computational
complexities related to training and execution have been problematic because
DU-based MIMO detectors usually utilize matrix inversion to improve their
detection performance. In this study, we attempted to construct a DU-based
trainable MIMO detector with the simplest structure. The proposed detector
based on the Hubbard--Stratonovich (HS) transformation and DU is called the
trainable HS (THS) detector. It requires only $O(1)$ trainable parameters and
its training and execution cost is $O(n^2)$ per iteration, where $n$ is the
number of transmitting antennas. Numerical results show that the detection
performance of the THS detector is better than that of existing algorithms of
the same complexity and close to that of a DU-based detector, which has higher
training and execution costs than the THS detector.
- Abstract(参考訳): MIMO(Massive multiple-input multiple-output)は、第5世代の無線通信ネットワークで使われる重要な技術である。
近年,深層学習に基づく様々なMIMO信号検出器が提案されている。
特に、既存の反復アルゴリズムの展開とトレーニング可能なパラメータの埋め込みを含むディープ・アンフォールディング(DU)が顕著な検出性能で適用されている。
duは従来のディープニューラルネットワークよりもトレーニング可能なパラメータが少ないが、duベースのmimo検出器は通常、マトリックスインバージョンを使用して検出性能を向上させるため、トレーニングと実行に関連する計算の複雑さが問題となっている。
本研究では,最も単純な構造を持つDU型トレーニング可能なMIMO検出器の構築を試みた。
提案されたハバード・ストラトノヴィチ変換とduに基づく検出器は、訓練可能なhs検出器 (ths) と呼ばれる。
トレーニング可能なパラメータは$o(1)$で、トレーニングと実行のコストは1イテレーションあたり$o(n^2)$である。
数値計算の結果,ths検出器の検出性能は同じ複雑性を持つ既存のアルゴリズムよりも優れており,また,ths検出器よりも高いトレーニングコストと実行コストを有するdu検出器に近いことがわかった。
関連論文リスト
- Simplifying Two-Stage Detectors for On-Device Inference in Remote Sensing [0.7305342793164903]
本研究では,2段階物体検出器のモデル簡易化手法を提案する。
本手法は,DOTAv1.5データセットの2.1%以内の精度で計算コストを61.2%まで削減する。
論文 参考訳(メタデータ) (2024-04-11T00:45:10Z) - Deep Unfolded Simulated Bifurcation for Massive MIMO Signal Detection [7.969977930633441]
深層学習技術と量子(インスパイアされた)アルゴリズムに基づく様々な信号検出器が提案され,検出性能が向上した。
本稿では、量子インスパイアされたアルゴリズムであるシミュレート・バイフルケーション(SB)アルゴリズムに焦点を当てる。
論文 参考訳(メタデータ) (2023-06-28T14:46:55Z) - Signal Detection in MIMO Systems with Hardware Imperfections: Message
Passing on Neural Networks [101.59367762974371]
本稿では,Multi-Input-multiple-output (MIMO)通信システムにおける信号検出について検討する。
パイロット信号が限られているディープニューラルネットワーク(DNN)のトレーニングは困難であり、実用化を妨げている。
我々は、ユニタリ近似メッセージパッシング(UAMP)アルゴリズムを利用して、効率的なメッセージパッシングに基づくベイズ信号検出器を設計する。
論文 参考訳(メタデータ) (2022-10-08T04:32:58Z) - Graph Neural Network Aided MU-MIMO Detectors [31.202097630016286]
multi-user multiple-input multiple-output (MU-MIMO) システムは、5G以上のネットワークのスループット要求を満たすために使用できる。
基地局は、アップリンクMU-MIMOシステムで多くのユーザーにサービスを提供しており、実質的なマルチユーザ干渉(MUI)につながる。
論文 参考訳(メタデータ) (2022-06-19T11:23:02Z) - Efficient Decoder-free Object Detection with Transformers [75.00499377197475]
視覚変換器(ViT)は、物体検出アプローチのランドスケープを変化させている。
本稿では,デコーダフリー完全トランス(DFFT)オブジェクト検出器を提案する。
DFFT_SMALLは、トレーニングおよび推論段階で高い効率を達成する。
論文 参考訳(メタデータ) (2022-06-14T13:22:19Z) - Integral Migrating Pre-trained Transformer Encoder-decoders for Visual
Object Detection [78.2325219839805]
imTEDは、数発のオブジェクト検出の最先端を最大7.6%改善する。
MS COCOデータセットの実験は、imTEDが一貫してそのデータセットを2.8%上回っていることを示している。
論文 参考訳(メタデータ) (2022-05-19T15:11:20Z) - From One to Many: A Deep Learning Coincident Gravitational-Wave Search [58.720142291102135]
単一検出器からの非スピン型二元ブラックホールデータに基づいてトレーニングされたニューラルネットワークを用いて、二元ブラックホールの融合から重力波を2検出器で探索する。
これらの単純な2検出器ネットワークはいずれも、検出器のデータに個別にネットワークを適用するよりも感度を向上させることができない。
論文 参考訳(メタデータ) (2021-08-24T13:25:02Z) - Deep Reinforcement Learning Aided Monte Carlo Tree Search for MIMO
Detection [7.115948058516199]
本稿では,モンテカルロ木探索(MCTS)検出アルゴリズムに深部強化学習(DRL)エージェントを組み込んだ,新しいマルチインプット・マルチアウトプット(MIMO)シンボル検出器を提案する。
論文 参考訳(メタデータ) (2021-01-30T07:29:04Z) - MimicDet: Bridging the Gap Between One-Stage and Two-Stage Object
Detection [65.74032877197844]
1段の検出器は、単純なアーキテクチャのためより効率的だが、2段の検出器は依然として精度でリードしている。
2段階特徴を直接模倣して1段階検出器を訓練する新しいフレームワークであるMimicDetを提案する。
マイクロメソッドは1段と2段の検出器で共有されたバックボーンを持ち、それから2つのヘッドに分岐する。
論文 参考訳(メタデータ) (2020-09-24T07:36:58Z) - DeepSIC: Deep Soft Interference Cancellation for Multiuser MIMO
Detection [98.43451011898212]
複数のシンボルが同時に送信されるマルチユーザマルチインプットマルチアウトプット(MIMO)設定では、正確なシンボル検出が困難である。
本稿では,DeepSICと呼ぶ反復ソフト干渉キャンセリング(SIC)アルゴリズムの,データ駆動による実装を提案する。
DeepSICは、チャネルを線形にすることなく、限られたトレーニングサンプルから共同検出を行うことを学ぶ。
論文 参考訳(メタデータ) (2020-02-08T18:31:00Z)
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。