論文の概要: Deep Graph Unfolding for Beamforming in MU-MIMO Interference Networks

• arxiv url: http://arxiv.org/abs/2304.00446v1
• Date: Sun, 2 Apr 2023 04:34:00 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-04 17:56:29.659816
• Title: Deep Graph Unfolding for Beamforming in MU-MIMO Interference Networks
• Title（参考訳）: MU-MIMO干渉ネットワークにおけるビームフォーミングのためのディープグラフ展開
• Authors: Arindam Chowdhury, Gunjan Verma, Ananthram Swami, and Santiago Segarra
• Abstract要約: マルチユーザ複数出力シングルホップ無線アドホック干渉ネットワークにおいて,ビームフォーミングを効率よく,ほぼ最適に行うソリューションを開発した。 この問題に対する古典的アプローチである重み付き最小平均二乗誤差(WMMSE)法と,アルゴリズムの展開原理に着想を得て,MU-MIMOのための展開WMMSEを提案する。
• 参考スコア（独自算出の注目度）: 37.32261787567901
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We develop an efficient and near-optimal solution for beamforming in multi-user multiple-input-multiple-output single-hop wireless ad-hoc interference networks. Inspired by the weighted minimum mean squared error (WMMSE) method, a classical approach to solving this problem, and the principle of algorithm unfolding, we present unfolded WMMSE (UWMMSE) for MU-MIMO. This method learns a parameterized functional transformation of key WMMSE parameters using graph neural networks (GNNs), where the channel and interference components of a wireless network constitute the underlying graph. These GNNs are trained through gradient descent on a network utility metric using multiple instances of the beamforming problem. Comprehensive experimental analyses illustrate the superiority of UWMMSE over the classical WMMSE and state-of-the-art learning-based methods in terms of performance, generalizability, and robustness.
• Abstract（参考訳）: マルチユーザマルチインプット出力シングルホップ無線アドホック干渉ネットワークにおけるビームフォーミングの効率良くほぼ最適な解法を開発した。 この問題に対する古典的アプローチである重み付き最小平均二乗誤差(WMMSE)法,およびアルゴリズムの展開原理に着想を得て,MU-MIMOのための展開WMMSE(UWMMSE)を提案する。 本手法は,無線ネットワークのチャネルと干渉成分が基礎となるグラフを構成するグラフニューラルネットワーク(GNN)を用いて,キーWMMSEパラメータのパラメータ化機能変換を学習する。 これらのGNNは、ビームフォーミング問題の複数のインスタンスを用いて、ネットワークユーティリティメトリックの勾配降下によって訓練される。 包括的実験分析は、性能、一般化性、堅牢性の観点から、古典的wmmseおよび最先端学習ベース手法よりもuwmmseが優れていることを示す。

関連論文リスト

• GFN: A graph feedforward network for resolution-invariant reduced operator learning in multifidelity applications [0.0]
  本研究は,多忠実度アプリケーションのための新しい分解能不変モデルオーダー削減戦略を提案する。 我々はこの研究で開発された新しいニューラルネットワーク層、グラフフィードフォワードネットワークに基づいてアーキテクチャを構築した。 パラメトリックな偏微分方程式に対する自己エンコーダに基づく還元戦略において,異なるメッシュサイズでのトレーニングとテストの能力を利用する。
  論文  参考訳（メタデータ） (2024-06-05T18:31:37Z)
• Deep Learning Based Uplink Multi-User SIMO Beamforming Design [32.00286337259923]
  5G無線通信ネットワークは、高いデータレート、広範なカバレッジ、最小レイテンシ、エネルギー効率のパフォーマンスを提供する。 計算複雑性や動的条件に適応する能力に関して、従来のアプローチには欠点がある。 本稿では,アップリンク受信型マルチユーザ入力多重出力(MU-SIMO)ビームフォーミングの設計のための,NNBFと呼ばれる新しい教師なしディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-28T17:04:41Z)
• Optimization Guarantees of Unfolded ISTA and ADMM Networks With Smooth Soft-Thresholding [57.71603937699949]
  我々は,学習エポックの数の増加とともに,ほぼゼロに近いトレーニング損失を達成するための最適化保証について検討した。 トレーニングサンプル数に対する閾値は,ネットワーク幅の増加とともに増加することを示す。
  論文  参考訳（メタデータ） (2023-09-12T13:03:47Z)
• Efficient power allocation using graph neural networks and deep algorithm unfolding [40.78748956518785]
  単一ホップアドホック無線ネットワークにおける最適電力配分の問題について検討する。 アルゴリズム重み付き最小二乗誤差(WMMSE)の展開に着想を得たハイブリッドニューラルネットワークアーキテクチャを提案する。 UWMMSEはWMMSEに匹敵する堅牢性を達成し,計算複雑性を著しく低減することを示す。
  論文  参考訳（メタデータ） (2020-11-18T05:28:24Z)
• Deep Multi-Task Learning for Cooperative NOMA: System Design and Principles [52.79089414630366]
  我々は,近年のディープラーニング(DL)の進歩を反映した,新しいディープ・コラボレーティブなNOMAスキームを開発する。 我々は,システム全体を包括的に最適化できるように,新しいハイブリッドカスケードディープニューラルネットワーク(DNN)アーキテクチャを開発した。
  論文  参考訳（メタデータ） (2020-07-27T12:38:37Z)
• Graph Neural Networks for Massive MIMO Detection [8.516590865173407]
  我々は,無線通信におけるMIMO(Multiple-input multiple-output)検出の推測タスクに対するメッセージパッシングソリューションを学習する。 我々は、マルコフ確率場(MRF)に基づくグラフィカルモデルを採用し、送信されたシンボルに対して一様であると仮定すると、信念伝播(BP)が貧弱な結果をもたらす。
  論文  参考訳（メタデータ） (2020-07-11T07:34:56Z)
• Iterative Algorithm Induced Deep-Unfolding Neural Networks: Precoding Design for Multiuser MIMO Systems [59.804810122136345]
  本稿では,AIIDNN(ディープ・アンフォールディング・ニューラルネット)を一般化した,ディープ・アンフォールディングのためのフレームワークを提案する。 古典的重み付き最小二乗誤差(WMMSE)反復アルゴリズムの構造に基づく効率的なIAIDNNを提案する。 提案したIAIDNNは,計算複雑性を低減した反復WMMSEアルゴリズムの性能を効率よく向上することを示す。
  論文  参考訳（メタデータ） (2020-06-15T02:57:57Z)
• A Compressive Sensing Approach for Federated Learning over Massive MIMO Communication Systems [82.2513703281725]
  フェデレートラーニング(Federated Learning)は、無線デバイスとのコラボレーションによって、中央サーバでグローバルモデルをトレーニングするための、プライバシ保護のアプローチである。 本稿では,大規模マルチインプット多出力通信システム上でのフェデレーション学習のための圧縮センシング手法を提案する。
  論文  参考訳（メタデータ） (2020-03-18T05:56:27Z)
• Model Fusion via Optimal Transport [64.13185244219353]
  ニューラルネットワークのための階層モデル融合アルゴリズムを提案する。 これは、不均一な非i.d.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間での"ワンショット"な知識伝達に成功していることを示す。
  論文  参考訳（メタデータ） (2019-10-12T22:07:15Z)

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。