論文の概要: Deep-Learning-Aided Alternating Least Squares for Tensor CP
Decomposition and Its Application to Massive MIMO Channel Estimation
- arxiv url: http://arxiv.org/abs/2305.13947v1
- Date: Tue, 23 May 2023 11:17:13 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-24 17:00:43.454585
- Title: Deep-Learning-Aided Alternating Least Squares for Tensor CP
Decomposition and Its Application to Massive MIMO Channel Estimation
- Title(参考訳): テンソルCP分解のための深層学習支援型ラストスクエアとそのMIMOチャネル推定への応用
- Authors: Xiao Gong, Wei Chen, Bo Ai, Geert Leus
- Abstract要約: 高精度かつ低レイテンシなチャネル推定を実現するために、良質かつ高速なCP分解アルゴリズムが望まれる。
CP最小二乗 (CPalS) は、CP分解を計算するためのワークホースアルゴリズムである。
本稿では,アルゴリズムの高速化と精度向上のために,ディープラーニング支援型CPALS (DL-CPALS) 手法を提案する。
- 参考スコア(独自算出の注目度): 39.04007621459279
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: CANDECOMP/PARAFAC (CP) decomposition is the mostly used model to formulate
the received tensor signal in a multi-domain massive multiple-input
multiple-output (MIMO) system, as the receiver generally sums the components
from different paths or users. To achieve accurate and low-latency channel
estimation, good and fast CP decomposition algorithms are desired. The CP
alternating least squares (CPALS) is the workhorse algorithm for calculating
the CP decomposition. However, its performance depends on the initializations,
and good starting values can lead to more efficient solutions. Existing
initialization strategies are decoupled from the CPALS and are not necessarily
favorable for solving the CP decomposition. To enhance the algorithm's speed
and accuracy, this paper proposes a deep-learning-aided CPALS (DL-CPALS) method
that uses a deep neural network (DNN) to generate favorable initializations.
The proposed DL-CPALS integrates the DNN and CPALS to a model-based deep
learning paradigm, where it trains the DNN to generate an initialization that
facilitates fast and accurate CP decomposition. Moreover, benefiting from the
CP low-rankness, the proposed method is trained using noisy data and does not
require paired clean data. The proposed DL-CPALS is applied to millimeter wave
MIMO orthogonal frequency division multiplexing (mmWave MIMO-OFDM) channel
estimation. Experimental results demonstrate the significant improvements of
the proposed method in terms of both speed and accuracy for CP decomposition
and channel estimation.
- Abstract(参考訳): candecomp/parafac(cp)分解(candecomp/parafac decomposition)は、受信したテンソル信号をマルチドメインの大規模多重入力多重出力(mimo)システムで定式化するモデルである。
高精度かつ低遅延チャネル推定を実現するために, cp分解アルゴリズムを良好かつ高速に求める。
cp alternating least squares (cpals) はcp分解を計算するためのワークホースアルゴリズムである。
しかし、そのパフォーマンスは初期化に依存しており、良い開始値がより効率的なソリューションにつながる可能性がある。
既存の初期化戦略はCPALSから切り離され、CP分解の解決に必ずしも有利ではない。
アルゴリズムの高速化と精度向上のために,ディープニューラルネットワーク(DNN)を用いたディープラーニング支援型CPALS(DL-CPALS)手法を提案する。
提案したDL-CPALSは、DNNとCPALSをモデルベースディープラーニングパラダイムに統合し、高速かつ正確なCP分解を容易にする初期化を生成するためにDNNを訓練する。
さらに,提案手法はCP低ランク化の恩恵を受け,ノイズデータを用いて学習し,ペアのクリーンデータを必要としない。
提案するDL-CPALSはミリ波MIMO直交周波数分割多重(mmWave MIMO-OFDM)チャネル推定に応用される。
実験により,CP分解とチャネル推定の高速化と精度の両面で,提案手法の大幅な改善が示された。
関連論文リスト
- Improving Uncertainty Quantification of Deep Classifiers via
Neighborhood Conformal Prediction: Novel Algorithm and Theoretical Analysis [30.0231328500976]
コンフォーマル予測(CP)は、ディープモデルの不確実性定量化のための原則的枠組みである。
本稿では,不確実性定量化の効率を向上させるため,NCP(Neighborhood Conformal Prediction)と呼ばれる新しいアルゴリズムを提案する。
NCPは従来のCP法よりも予測セットサイズが大幅に小さくなることを示す。
論文 参考訳(メタデータ) (2023-03-19T15:56:50Z) - Efficient Per-Shot Convex Hull Prediction By Recurrent Learning [50.94452824380868]
本稿では,コンテンツ認識凸船体予測の深層学習に基づく手法を提案する。
再帰的畳み込みネットワーク(RCN)を用いて,映像の複雑さを暗黙的に解析し,その凸殻を予測する。
実験の結果,提案したモデルでは,最適凸殻の近似精度が向上し,既存の手法と比較して競争時間の節約が期待できることがわかった。
論文 参考訳(メタデータ) (2022-06-10T05:11:02Z) - DDPG-Driven Deep-Unfolding with Adaptive Depth for Channel Estimation
with Sparse Bayesian Learning [23.158142411929322]
まず,異なる入力に対して適応的な深さを持つDDPG(Deep Deterministic Policy gradient)駆動のディープアンフォールディングの枠組みを開発する。
具体的には,大規模マルチインプットマルチアウトプットシステムにおけるチャネル推定問題に対処するために,このフレームワークを用いる。
論文 参考訳(メタデータ) (2022-01-20T22:35:42Z) - 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) - Neural Calibration for Scalable Beamforming in FDD Massive MIMO with
Implicit Channel Estimation [10.775558382613077]
チャネル推定とビームフォーミングは、周波数分割二重化(FDD)大規模マルチインプット多重出力(MIMO)システムにおいて重要な役割を果たす。
受信したアップリンクパイロットに応じて,基地局のビームフォーマを直接最適化する深層学習方式を提案する。
エンド・ツー・エンドの設計のスケーラビリティを向上させるために,ニューラルキャリブレーション法を提案する。
論文 参考訳(メタデータ) (2021-08-03T14:26:14Z) - Learning Frequency Domain Approximation for Binary Neural Networks [68.79904499480025]
フーリエ周波数領域における符号関数の勾配を正弦関数の組み合わせを用いて推定し,BNNの訓練を行う。
いくつかのベンチマークデータセットとニューラルネットワークの実験により、この手法で学習したバイナリネットワークが最先端の精度を達成することが示されている。
論文 参考訳(メタデータ) (2021-03-01T08:25:26Z) - Temporal Attention-Augmented Graph Convolutional Network for Efficient
Skeleton-Based Human Action Recognition [97.14064057840089]
グラフネットワーク(GCN)はユークリッド以外のデータ構造をモデル化するのに非常に成功した。
ほとんどのGCNベースのアクション認識手法は、計算量の多いディープフィードフォワードネットワークを使用して、全てのスケルトンをアクションで処理する。
本稿では,骨格に基づく行動認識の効率を高めるための時間的アテンションモジュール(TAM)を提案する。
論文 参考訳(メタデータ) (2020-10-23T08:01:55Z) - Randomized Online CP Decomposition [13.425121208828044]
本稿では,ランダム化オンラインCP分解(ROCP)と呼ばれる新しいCP分解アルゴリズムを提案する。
ROCPは完全なKhatri-Rao製品の形成を回避し、スピードを大幅に向上させ、メモリ使用量を減らす。
論文 参考訳(メタデータ) (2020-07-21T13:41:27Z) - Fast and Robust Iterative Closest Point [32.42799285301607]
イテレーティブ・クローズト・ポイント(ICP)は、2つの点集合間の剛性登録のための基本技術である。
Sparse ICPのような最近の研究は、計算速度を犠牲にしてスパース性最適化によって堅牢性を達成する。
本稿では,古典的な点対点ICPを最大化最小化(MM)アルゴリズムとして扱えることを示す。
論文 参考訳(メタデータ) (2020-07-15T11:32:53Z) - Channel Assignment in Uplink Wireless Communication using Machine
Learning Approach [54.012791474906514]
本稿では,アップリンク無線通信システムにおけるチャネル割り当て問題について検討する。
我々の目標は、整数チャネル割り当て制約を受ける全ユーザの総和率を最大化することです。
計算複雑性が高いため、機械学習アプローチは計算効率のよい解を得るために用いられる。
論文 参考訳(メタデータ) (2020-01-12T15:54:20Z)
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。