論文の概要: Robust Non-Linear Feedback Coding via Power-Constrained Deep Learning
- arxiv url: http://arxiv.org/abs/2304.13178v2
- Date: Wed, 7 Jun 2023 23:00:22 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-09 19:12:50.034472
- Title: Robust Non-Linear Feedback Coding via Power-Constrained Deep Learning
- Title（参考訳）: 電力制約深層学習によるロバスト非線形フィードバック符号化
- Authors: Junghoon Kim, Taejoon Kim, David Love, Christopher Brinton
- Abstract要約: 我々は,チャネルノイズに対するロバスト性を大幅に向上させる非線形フィードバック符号の新たなファミリーを開発する。
我々のオートエンコーダベースのアーキテクチャは、連続するビットブロックに基づいてコードを学ぶように設計されている。
提案手法は, 現実的なフォワードやフィードバックノイズシステムよりも, 最先端のフィードバックコードよりも優れていることを示す。
- 参考スコア（独自算出の注目度）: 7.941112438865385
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The design of codes for feedback-enabled communications has been a
long-standing open problem. Recent research on non-linear, deep learning-based
coding schemes have demonstrated significant improvements in communication
reliability over linear codes, but are still vulnerable to the presence of
forward and feedback noise over the channel. In this paper, we develop a new
family of non-linear feedback codes that greatly enhance robustness to channel
noise. Our autoencoder-based architecture is designed to learn codes based on
consecutive blocks of bits, which obtains de-noising advantages over bit-by-bit
processing to help overcome the physical separation between the encoder and
decoder over a noisy channel. Moreover, we develop a power control layer at the
encoder to explicitly incorporate hardware constraints into the learning
optimization, and prove that the resulting average power constraint is
satisfied asymptotically. Numerical experiments demonstrate that our scheme
outperforms state-of-the-art feedback codes by wide margins over practical
forward and feedback noise regimes, and provide information-theoretic insights
on the behavior of our non-linear codes. Moreover, we observe that, in a long
blocklength regime, canonical error correction codes are still preferable to
feedback codes when the feedback noise becomes high.
- Abstract（参考訳）: フィードバック可能な通信のためのコードの設計は、長年のオープンな問題であった。
非線形な深層学習に基づく符号化方式に関する最近の研究は、線形符号よりも通信信頼性が大幅に向上しているが、チャネル上での前方およびフィードバックノイズの存在に対して脆弱である。
本稿では,チャネルノイズに対するロバスト性を大幅に向上させる非線形フィードバック符号のファミリーを開発した。
私たちのオートエンコーダベースのアーキテクチャは、ビットの連続ブロックに基づいてコードを学習するように設計されており、ノイズの多いチャネル上でのエンコーダとデコーダの物理的分離を克服するために、ビット単位での処理よりもノイズの少ないアドバンテージを得ます。
さらに,ハードウェア制約を学習最適化に明示的に組み込むため,エンコーダの電力制御層を開発し,平均電力制約が漸近的に満たされることを示す。
数値実験により,本手法は実効的なフォワードノイズやフィードバックノイズよりも広いマージンでフィードバック符号よりも優れており,非線形符号の挙動に関する情報理論的洞察を提供する。
さらに, 長いブロック長条件下では, フィードバックノイズが高くなると, 標準誤り訂正符号がフィードバック符号より好まれることがわかった。
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) - LightCode: Light Analytical and Neural Codes for Channels with Feedback [10.619569069690185]
我々は,通信システムに適した低複雑さの符号化方式を設計することに注力する。
まず、Schalkwijk-Kailath (SK) と Gallager-Nakibouglu (GN) にインスパイアされた解析的符号化スキームであるPowerBlast が、SK と GN のスキームに対して顕著な信頼性向上を実現していることを示す。
次に、低SNR領域の信頼性を高めるために、既存のディープラーニングベースのコードと比較して、わずかなメモリと計算を使いながら、最先端の信頼性を実現する軽量ニューラルネットワークであるLightCodeを提案する。
論文 参考訳（メタデータ） (2024-03-16T01:04:34Z) - Neural Belief Propagation Decoding of Quantum LDPC Codes Using
Overcomplete Check Matrices [60.02503434201552]
元のチェック行列における行の線形結合から生成された冗長な行を持つチェック行列に基づいてQLDPC符号を復号する。
このアプローチは、非常に低い復号遅延の利点を付加して、復号性能を著しく向上させる。
論文 参考訳（メタデータ） (2022-12-20T13:41:27Z) - Feedback is Good, Active Feedback is Better: Block Attention Active
Feedback Codes [13.766611137136168]
GBAF符号は、アクティブなフィードバックを持つチャネルでも使用できることを示す。
送信機と受信機にトランスフォーマーアーキテクチャを実装し,相互に順次対話する。
我々は,特に低SNR体制下で,最先端のBLER性能を実現する。
論文 参考訳（メタデータ） (2022-11-03T11:44:06Z) - Denoising Diffusion Error Correction Codes [92.10654749898927]
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。
論文 参考訳（メタデータ） (2022-09-16T11:00:50Z) - 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) - DRF Codes: Deep SNR-Robust Feedback Codes [2.6074034431152344]
本稿では,DNN(Deep-neural-network)に基づく誤り訂正符号を提案する。
付加的な白色ガウス雑音 (AWGN) チャネルにおけるSNR損耗率と誤り率の両面から, DRF符号の精度は, 高い結果が得られた。
論文 参考訳（メタデータ） (2021-12-22T10:47:25Z) - 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)
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。