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/2305.13947v2
• Date: Wed, 20 Nov 2024 08:19:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-21 16:10:12.258831
• 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最小二乗法 (CPALS) は、CDD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,深層ニューラルネットワーク(DNN)を用いた深層学習支援CPALS(DL-CPALS)手法を提案する。 CPDとチャネル推定の高速化と精度の両面から,提案手法の有意な改善を示す実験結果が得られた。
• 参考スコア（独自算出の注目度）: 31.14824776920284
• License:
• Abstract: CANDECOMP/PARAFAC (CP) decomposition is the mostly used model to formulate the received tensor signal in a massive 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 (CPD) algorithms are desired. The CP alternating least squares (CPALS) is the workhorse algorithm for calculating the CPD. 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 CPD. 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 CPD. 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-OFDM channel estimation. Experimental results demonstrate the significant improvements of the proposed method in terms of both speed and accuracy for CPD and channel estimation.
• Abstract（参考訳）: CANDECOMP/PARAFAC(CP)分解は、受信したテンソル信号をMIMOシステムで定式化するために主に使用されるモデルである。 高精度で低レイテンシなチャネル推定を実現するため,CPDアルゴリズムが望まれている。 CP最小二乗法 (CPALS) は、CDD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、その性能は初期化に依存するため、優れた開始値はより効率的な解決策をもたらす可能性がある。 既存の初期化戦略はCPALSから切り離され、CPDの解決に必ずしも有利ではない。 本稿では,深層ニューラルネットワーク(DNN)を用いた学習支援型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、DNNを訓練して、高速で正確なCDDを容易にする初期化を生成する。 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-OFDMチャネル推定に応用される。 CPDとチャネル推定の高速化と精度の両面から,提案手法の有意な改善を示す実験結果が得られた。

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)
• 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)
• Exact Optimization of Conformal Predictors via Incremental and Decremental Learning [46.9970555048259]
  Conformal Predictors (CP) はMLメソッドのラッパーであり、データ分散に対する弱い仮定の下でエラー保証を提供する。 分類や回帰から異常検出まで幅広い問題に適している。 本研究では,基礎となるML手法と組み合わせて学習し,漸進的・漸進的学習を活用することにより,CP分類器を著しく高速化できることを示す。
  論文  参考訳（メタデータ） (2021-02-05T15:31:37Z)
• 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。