論文の概要: CeBed: A Benchmark for Deep Data-Driven OFDM Channel Estimation
- arxiv url: http://arxiv.org/abs/2306.13761v1
- Date: Fri, 23 Jun 2023 19:55:41 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-27 19:18:42.857280
- Title: CeBed: A Benchmark for Deep Data-Driven OFDM Channel Estimation
- Title（参考訳）: CeBed: ディープデータ駆動OFDMチャネル推定のためのベンチマーク
- Authors: Amal Feriani, Di Wu, Steve Liu, Greg Dudek
- Abstract要約: いくつかのデータ駆動型OFDMチャネル推定手法を統合するベンチマークを構築するためのイニシアティブを導入する。
この研究は、研究者がデータ駆動チャネル推定アルゴリズムを評価し設計するのに役立つ包括的で統一されたフレームワークを提供する。
- 参考スコア（独自算出の注目度）: 2.8199078343161266
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep learning has been extensively used in wireless communication problems,
including channel estimation. Although several data-driven approaches exist, a
fair and realistic comparison between them is difficult due to inconsistencies
in the experimental conditions and the lack of a standardized experimental
design. In addition, the performance of data-driven approaches is often
compared based on empirical analysis. The lack of reproducibility and
availability of standardized evaluation tools (e.g., datasets, codebases)
hinder the development and progress of data-driven methods for channel
estimation and wireless communication in general. In this work, we introduce an
initiative to build benchmarks that unify several data-driven OFDM channel
estimation approaches. Specifically, we present CeBed (a testbed for channel
estimation) including different datasets covering various systems models and
propagation conditions along with the implementation of ten deep and
traditional baselines. This benchmark considers different practical aspects
such as the robustness of the data-driven models, the number and the
arrangement of pilots, and the number of receive antennas. This work offers a
comprehensive and unified framework to help researchers evaluate and design
data-driven channel estimation algorithms.
- Abstract（参考訳）: 深層学習は、チャネル推定を含む無線通信の問題で広く使われている。
データ駆動型アプローチはいくつか存在するが、実験条件の不一致と標準的な実験設計の欠如により、公平かつ現実的な比較は困難である。
さらに、データ駆動アプローチのパフォーマンスはしばしば経験的分析に基づいて比較される。
再現性と標準化された評価ツール(例えばデータセットやコードベース)の可用性の欠如は、チャネル推定や無線通信全般のためのデータ駆動手法の開発と進歩を妨げる。
本稿では,複数のデータ駆動ofdmチャネル推定手法を統合するベンチマークを構築するためのイニシアティブを提案する。
具体的には,様々なシステムモデルと伝播条件をカバーする異なるデータセットを含むcebed(チャネル推定のためのテストベッド)と,10の深層ベースラインおよび従来型ベースラインの実装を提案する。
このベンチマークでは、データ駆動モデルのロバスト性、パイロットの数と配置、受信アンテナの数など、さまざまな実用的側面を考察している。
この研究は、研究者がデータ駆動チャネル推定アルゴリズムを評価し設計するのに役立つ包括的で統一されたフレームワークを提供する。
関連論文リスト
- Adaptive and Stratified Subsampling Techniques for High Dimensional Non-Standard Data Environments [35.41693258511832]
本稿では,非標準データ環境における高次元パラメータ推定の課題に対処する。
本稿では,頑健なサブサンプリング手法,特に適応サンプリング重要度(AIS)と階層サブサンプリングを提案する。
論文 参考訳（メタデータ） (2024-10-16T08:39:40Z) - Understanding the AI-powered Binary Code Similarity Detection [41.39226562321616]
AIによるバイナリコード類似度検出(BinSD)は、プログラム分析に広く応用されている。
BinSD問題がどの程度解決されたか、特に現実世界のアプリケーションで定量的に理解することは困難である。
本稿では,最先端AIを用いたBinSD手法の体系的評価を行う。
論文 参考訳（メタデータ） (2024-10-10T02:13:01Z) - Radio Map Estimation -- An Open Dataset with Directive Transmitter
Antennas and Initial Experiments [49.61405888107356]
実世界の現実的な都市地図とオープンなデータソースからの航空画像とともに、シミュレーションされた経路損失無線マップのデータセットをリリースする。
モデルアーキテクチャ,入力特徴設計,航空画像からの無線マップの推定に関する実験を行った。
論文 参考訳（メタデータ） (2024-01-12T14:56:45Z) - On the Validation of Gibbs Algorithms: Training Datasets, Test Datasets
and their Aggregation [70.540936204654]
Gibbsアルゴリズム(GA)のトレーニングデータへの依存を解析的に特徴付ける。
この記述により、異なるデータセットでトレーニングされたGAのトレーニングエラーとテストエラーを含む明示的な表現の開発が可能になる。
論文 参考訳（メタデータ） (2023-06-21T16:51:50Z) - On Certifying and Improving Generalization to Unseen Domains [87.00662852876177]
ドメインの一般化は、テスト時に遭遇した見知らぬドメインのパフォーマンスが高いモデルを学ぶことを目的としています。
いくつかのベンチマークデータセットを使用して、DGアルゴリズムを包括的に評価することは困難である。
我々は,任意のDG手法の最悪の性能を効率的に証明できる普遍的な認証フレームワークを提案する。
論文 参考訳（メタデータ） (2022-06-24T16:29:43Z) - A Survey on Deep Learning based Channel Estimation in Doubly Dispersive
Environments [7.310043452300738]
無線通信システムは、動的環境におけるマルチパスのフェージングとドップラーシフトの影響を受けている。
従来の方法では、データ転送速度を維持するために、チャネル推定に数名のパイロットしか使われていない。
深層学習は、その低複雑さ、堅牢性、そして優れた一般化能力のために、二重分散チャネル推定に使われている。
論文 参考訳（メタデータ） (2022-06-05T12:44:50Z) - MIMO Channel Estimation using Score-Based Generative Models [1.6752182911522517]
本稿では,ディープスコアに基づく生成モデルを用いたチャネル推定手法を提案する。
これらのモデルは、対数-主分布の勾配を推定するために訓練され、観測された信号の測定から推定を反復的に洗練するために使用することができる。
論文 参考訳（メタデータ） (2022-04-14T17:23:58Z) - 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) - Deep Stable Learning for Out-Of-Distribution Generalization [27.437046504902938]
深層ニューラルネットワークに基づくアプローチは、同様の分布を持つデータとトレーニングデータをテストする際に顕著なパフォーマンスを達成した。
トレーニングとテストデータ間の分散シフトの影響を排除することは、パフォーマンス向上の深層モデルの構築に不可欠です。
トレーニングサンプルの学習重みによる特徴間の依存関係を除去し,この問題に対処することを提案する。
論文 参考訳（メタデータ） (2021-04-16T03:54:21Z) - A Multi-Channel Neural Graphical Event Model with Negative Evidence [76.51278722190607]
イベントデータセットは、タイムライン上で不規則に発生するさまざまなタイプのイベントのシーケンスである。
基礎となる強度関数を推定するために,非パラメトリックディープニューラルネットワーク手法を提案する。
論文 参考訳（メタデータ） (2020-02-21T23:10:50Z) - Data-Driven Symbol Detection via Model-Based Machine Learning [117.58188185409904]
機械学習(ML)とモデルベースアルゴリズムを組み合わせた,検出設計のシンボル化を目的とした,データ駆動型フレームワークについてレビューする。
このハイブリッドアプローチでは、よく知られたチャネルモデルに基づくアルゴリズムをMLベースのアルゴリズムで拡張し、チャネルモデル依存性を除去する。
提案手法は, 正確なチャネル入出力統計関係を知らなくても, モデルベースアルゴリズムのほぼ最適性能が得られることを示す。
論文 参考訳（メタデータ） (2020-02-14T06:58:27Z)
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。