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) - 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) - Two-Timescale End-to-End Learning for Channel Acquisition and Hybrid
Precoding [94.40747235081466]
本研究では,ミリ波(mmWave)大規模マルチインプット多重出力(MIMO)システムのためのエンドツーエンドの深層学習に基づくジョイントトランスシーバ設計アルゴリズムを提案する。
我々は受信したパイロットを受信機でフィードバックビットにマッピングし、さらに送信機でハイブリッドプリコーダにフィードバックビットをマッピングするDNNアーキテクチャを開発した。
論文 参考訳（メタデータ） (2021-10-22T20:49:02Z) - 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 to Estimate RIS-Aided mmWave Channels [50.15279409856091]
そこでは,観測観測のために,既知の基地局とRIS位相制御行列を併用したアップリンクチャネル推定手法を提案する。
推定性能を向上し, トレーニングオーバーヘッドを低減するため, 深部展開法において, mmWaveチャネルの固有チャネル幅を生かした。
提案したディープ・アンフォールディング・ネットワーク・アーキテクチャは,トレーニングオーバーヘッドが比較的小さく,オンライン計算の複雑さも比較的小さく,最小二乗法(LS)法より優れていることが確認された。
論文 参考訳（メタデータ） (2021-07-27T06:57:56Z) - A Meta-Learning Approach to the Optimal Power Flow Problem Under
Topology Reconfigurations [69.73803123972297]
メタラーニング(MTL)アプローチを用いて訓練されたDNNベースのOPF予測器を提案する。
開発したOPF予測器はベンチマークIEEEバスシステムを用いてシミュレーションにより検証される。
論文 参考訳（メタデータ） (2020-12-21T17:39:51Z) - 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) - Tune smarter not harder: A principled approach to tuning learning rates
for shallow nets [13.203765985718201]
浅いフィードフォワードニューラルネットワークに対して,学習率を選択するための原則的アプローチを提案する。
シミュレーションにより,提案手法が既存のチューニング手法よりも大幅に優れていることを示す。
論文 参考訳（メタデータ） (2020-03-22T09:38:35Z) - Belief Propagation Reloaded: Learning BP-Layers for Labeling Problems [83.98774574197613]
最も単純な推論手法の1つとして、切り詰められた最大積のBelief伝播を取り上げ、それをディープラーニングモデルの適切なコンポーネントにするために必要となるものを加えます。
このBP-Layerは畳み込みニューラルネットワーク(CNN)の最終ブロックまたは中間ブロックとして使用できる
このモデルは様々な密集予測問題に適用可能であり、パラメータ効率が高く、ステレオ、光フロー、セマンティックセグメンテーションにおける堅牢な解を提供する。
論文 参考訳（メタデータ） (2020-03-13T13:11:35Z)
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。