論文の概要: Coding for the Gaussian Channel in the Finite Blocklength Regime Using a CNN-Autoencoder

• arxiv url: http://arxiv.org/abs/2306.09258v1
• Date: Thu, 25 May 2023 19:13:31 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-18 12:12:25.216183
• Title: Coding for the Gaussian Channel in the Finite Blocklength Regime Using a CNN-Autoencoder
• Title（参考訳）: CNN-Autoencoderを用いた有限ブロック長レジームにおけるガウスチャネルの符号化
• Authors: Nourhan Hesham, Mohamed Bouzid, Ahmad Abdel-Qader, and Anas Chaaban
• Abstract要約: 低レイテンシ通信をサポートするには短いコードが必要だが、フレームエラー確率(FEP)の消滅には長いコードが必要である。 本稿では,畳み込みニューラルネットワークオートエンコーダ(CNN-AE)の理論的最大到達率へのアプローチの可能性について検討する。 数値計算の結果,CNN-AEはベンチマーク・スキームを上回り,理論上の最大値に近づいた。
• 参考スコア（独自算出の注目度）: 13.276758337527038
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: The development of delay-sensitive applications that require ultra high reliability created an additional challenge for wireless networks. This led to Ultra-Reliable Low-Latency Communications, as a use case that 5G and beyond 5G systems must support. However, supporting low latency communications requires the use of short codes, while attaining vanishing frame error probability (FEP) requires long codes. Thus, developing codes for the finite blocklength regime (FBR) achieving certain reliability requirements is necessary. This paper investigates the potential of Convolutional Neural Networks autoencoders (CNN-AE) in approaching the theoretical maximum achievable rate over a Gaussian channel for a range of signal-to-noise ratios at a fixed blocklength and target FEP, which is a different perspective compared to existing works that explore the use of CNNs from bit-error and symbol-error rate perspectives. We explain the studied CNN-AE architecture, evaluate it numerically, and compare it to the theoretical maximum achievable rate and the achievable rates of polar coded quadrature amplitude modulation (QAM), Reed-Muller coded QAM, multilevel polar coded modulation, and a TurboAE-MOD scheme from the literature. Numerical results show that the CNN-AE outperforms these benchmark schemes and approaches the theoretical maximum rate, demonstrating the capability of CNN-AEs in learning good codes for delay-constrained applications.
• Abstract（参考訳）: 超高信頼性を必要とする遅延感度アプリケーションの開発は、無線ネットワークのさらなる課題を生み出した。 これは5gと5g以外のシステムがサポートしなければならないユースケースとして、超信頼性の低い低レイテンシ通信につながった。 しかし、低レイテンシ通信をサポートするには短いコードを使う必要があり、フレームエラー確率(FEP)の消滅には長いコードが必要である。 したがって、一定の信頼性要件を満たす有限ブロック長規則(FBR)の開発コードが必要である。 本稿では,ビットエラーとシンボルエラー率の観点からCNNの利用を探求する既存の研究と異なる視点で,固定ブロック長とターゲットFEPにおける信号対雑音比の範囲に対して,ガウスチャネル上の理論的最大到達率にアプローチする際の畳み込みニューラルネットワークオートエンコーダ(CNN-AE)の可能性を検討する。 そこで本研究では, cnn-aeアーキテクチャを数値的に評価し, 理論上の最大到達率, 極性2次振幅変調(qam), リード・ミュラー符号qam, 多レベル極性変調, ターボae-mod方式と比較した。 数値的な結果から,CNN-AEはこれらのベンチマーク手法より優れており,CNN-AEが遅延制約のあるアプリケーションに対してよい符号を学習する能力を示した。

関連論文リスト

• Enhanced Real-Time Threat Detection in 5G Networks: A Self-Attention RNN Autoencoder Approach for Spectral Intrusion Analysis [8.805162150763847]
  本稿では,自己認識機構とリカレントニューラルネットワーク(RNN)に基づくオートエンコーダを統合する実験モデルを提案する。 本手法は, 時系列解析, プロセス・イン・フェイズ, および二次(I/Q)サンプルを用いて, ジャミング攻撃の可能性を示す不規則性を同定する。 モデルアーキテクチャは自己アテンション層で拡張され、RNNオートエンコーダの機能を拡張する。
  論文  参考訳（メタデータ） (2024-11-05T07:01:15Z)
• A Quantum Approximate Optimization Algorithm-based Decoder Architecture for NextG Wireless Channel Codes [6.52154420965995]
  FEC(Forward Error Correction)は、ノイズや干渉があるにもかかわらず、無線ネットワークにおける信頼性の高いデータフローを提供する。 FEC処理は、その計算力に富んだ復号プロセスのために、無線ネットワークのリソースのかなりの部分を必要とする。 我々は、人気のあるNextG無線低密度パリティチェック(LDPC)と極符号を対象とした、QAOAベースのFECデコーダであるFDeQを提案する。 FDeQは、FEC符号ブロック長の低い最先端の古典的復号器と同等のエラー性能で復号化を成功させる。
  論文  参考訳（メタデータ） (2024-08-21T15:53:09Z)
• Friendly Attacks to Improve Channel Coding Reliability [0.33993877661368754]
  フレンドリーアタック」は、エラー訂正チャネルコードの性能を向上させることを目的としている。 敵攻撃の概念に触発された本手法は,ニューラルネットワーク入力にわずかな摂動を導入するという考え方を活用する。 提案手法は,異なるチャネル,変調,コード,デコーダ間の信頼性を向上させることができることを示す。
  論文  参考訳（メタデータ） (2024-01-25T13:46:21Z)
• Deep Quantum Error Correction [73.54643419792453]
  量子誤り訂正符号(QECC)は、量子コンピューティングのポテンシャルを実現するための鍵となる要素である。 本研究では,新しいエンペンド・ツー・エンドの量子誤りデコーダを効率的に訓練する。 提案手法は,最先端の精度を実現することにより,QECCのニューラルデコーダのパワーを実証する。
  論文  参考訳（メタデータ） (2023-01-27T08:16:26Z)
• A Scalable Graph Neural Network Decoder for Short Block Codes [49.25571364253986]
  エッジ重み付きグラフニューラルネットワーク(EW-GNN)に基づく短絡符号の復号化アルゴリズムを提案する。 EW-GNNデコーダは、繰り返しメッセージパッシング構造を持つタナーグラフで動作する。 EW-GNNデコーダは,復号誤り率の観点から,BP法および深層学習に基づくBP法より優れていることを示す。
  論文  参考訳（メタデータ） (2022-11-13T17:13:12Z)
• 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)
• Graph Neural Networks for Channel Decoding [71.15576353630667]
  低密度パリティチェック(LDPC)やBCH符号など、様々な符号化方式の競合復号性能を示す。 ニューラルネットワーク(NN)は、与えられたグラフ上で一般化されたメッセージパッシングアルゴリズムを学習する。 提案するデコーダを,従来のチャネル復号法および最近のディープラーニングに基づく結果と比較した。
  論文  参考訳（メタデータ） (2022-07-29T15:29:18Z)
• Deep Learning-Based Synchronization for Uplink NB-IoT [72.86843435313048]
  狭帯域モノのインターネット(NB-IoT)における狭帯域物理ランダムアクセスチャネル(NPRACH)のデバイス検出と到着時刻推定のためのニューラルネットワーク(NN)に基づくアルゴリズムを提案する。 導入されたNNアーキテクチャは、残余の畳み込みネットワークと、5Gニューラジオ(5G NR)仕様のプリアンブル構造に関する知識を利用する。
  論文  参考訳（メタデータ） (2022-05-22T12:16:43Z)
• 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)
• 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)
• End-to-End Learning of Neuromorphic Wireless Systems for Low-Power Edge Artificial Intelligence [38.518936229794214]
  我々は、ニューロモルフィックセンシング、インパルスラジオ(IR)、スパイキングニューラルネットワーク(SNN)に基づく、遠隔無線推論のための新しい「オールスパイク」低電力ソリューションを提案する。 我々は,エンコーダ,チャネル,デコーダのカスケードを,JSCC(Joint Source-Channel Coding)を実装した確率的SNNベースのオートエンコーダとして扱うエンドツーエンドのトレーニング手順を導入する。 実験により、提案したエンドツーエンドのニューロモルフィックエッジアーキテクチャが、効率的で低レイテンシなリモートセンシング、通信、推論のための有望なフレームワークを提供することを確認した。
  論文  参考訳（メタデータ） (2020-09-03T09:10:16Z)

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。