Fugu-MT 論文翻訳(概要): Multi-Task Learning to Enhance Generalizability of Neural Network Equalizers in Coherent Optical Systems

論文の概要: Multi-Task Learning to Enhance Generalizability of Neural Network Equalizers in Coherent Optical Systems

arxiv url: http://arxiv.org/abs/2307.05374v2
Date: Tue, 26 Sep 2023 09:41:34 GMT
ステータス: 処理完了
システム内更新日: 2023-09-27 20:33:29.262651
Title: Multi-Task Learning to Enhance Generalizability of Neural Network Equalizers in Coherent Optical Systems
Title（参考訳）: コヒーレント光学系におけるニューラルネットワーク等化器の一般化性を高めるマルチタスク学習
Authors: Sasipim Srivallapanondh, Pedro J. Freire, Ashraful Alam, Nelson Costa, Bernhard Spinnler, Antonio Napoli, Egor Sedov, Sergei K. Turitsyn, Jaroslaw E. Prilepsky
Abstract要約: NNベースの「単一」等化器は、打ち上げ電力、シンボルレート、送信距離の変動があっても再訓練することなく、CDCと比較して最大4dBのQ因子を改善する。
参考スコア（独自算出の注目度）: 4.221674903725305
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: For the first time, multi-task learning is proposed to improve the flexibility of NN-based equalizers in coherent systems. A "single" NN-based equalizer improves Q-factor by up to 4 dB compared to CDC, without re-training, even with variations in launch power, symbol rate, or transmission distance.
Abstract（参考訳）: コヒーレントシステムにおけるnnベースのイコライザの柔軟性を改善するため,マルチタスク学習が初めて提案されている。 NNベースの「単一」等化器は、打ち上げ電力、シンボルレート、送信距離の変動があっても再訓練することなく、CDCと比較して最大4dBのQ因子を改善する。

関連論文リスト

Leveraging Digital Cousins for Ensemble Q-Learning in Large-Scale Wireless Networks [21.30645601474163]
無線ネットワークを最適化する新しいアンサンブルQ-ラーニングアルゴリズムを提案する。提案アルゴリズムは、最先端の強化学習アルゴリズムよりも実行時複雑性を最大40%低減し、平均誤差を最大50%低減することができる。
論文参考訳（メタデータ） (2024-02-12T19:39:07Z)
Energy-efficient Spiking Neural Network Equalization for IM/DD Systems with Optimized Neural Encoding [53.909333359654276]
スパイクニューラルネットワークに基づくIM/DDシステムのエネルギー効率の等化器を提案する。エネルギー消費を低減しつつ、等化器の性能を高めるニューラルスパイク符号化を最適化する。
論文参考訳（メタデータ） (2023-12-20T10:45:24Z)
SICNN: Soft Interference Cancellation Inspired Neural Network Equalizers [1.6451639748812472]
我々はSICNNと呼ばれる新しいニューラルネットワーク(NN)ベースのアプローチを提案する。 SICNNはモデルに基づく反復型ソフト干渉キャンセル(SIC)法を深く展開して設計されている。提案したNNベースの等化器のビット誤り率性能と最先端のモデルベースおよびNNベースのアプローチとの比較を行った。
論文参考訳（メタデータ） (2023-08-24T06:40:54Z)
Spiking Neural Network Decision Feedback Equalization for IM/DD Systems [70.3497683558609]
様々なパラメータを持つIM/DDリンクに、決定フィードバック構造を有するスパイキングニューラルネットワーク(SNN)等化器を適用する。 SNNは、線形および人工ニューラルネットワーク(ANN)ベースの等化器よりも優れている。
論文参考訳（メタデータ） (2023-04-27T12:49:31Z)
Gradient Descent in Neural Networks as Sequential Learning in RKBS [63.011641517977644]
初期重みの有限近傍にニューラルネットワークの正確な電力系列表現を構築する。幅にかかわらず、勾配降下によって生成されたトレーニングシーケンスは、正規化された逐次学習によって正確に複製可能であることを証明した。
論文参考訳（メタデータ） (2023-02-01T03:18:07Z)
Low Complexity Convolutional Neural Networks for Equalization in Optical Fiber Transmission [0.0]
繊維透過効果を軽減するために畳み込みニューラルネットワークを提案する。これは、代替等化器と比較してトレーニング可能なパラメータを5倍に減らし、MSEと同等の複雑さを持つDBPと比較して3.5dBの改善を実現している。
論文参考訳（メタデータ） (2022-10-11T13:51:04Z)
Towards FPGA Implementation of Neural Network-Based Nonlinearity Mitigation Equalizers in Coherent Optical Transmission Systems [3.2482344354758723]
FPGAでは、非線形性補償のためのリカレントおよびフィードフォワードニューラルネットワークベースの等化器が実装されている。 NNベースの等化器は1ステップ当たりのDBPよりも優れていることを示す。
論文参考訳（メタデータ） (2022-06-24T09:41:26Z)
Revisiting the double-well problem by deep learning with a hybrid network [7.308730248177914]
本稿では,lstmとresnetの2種類のニューラルネットワークを統合するハイブリッドネットワークを提案する。このようなハイブリッドネットワークは、空間的または時間的変調が速いシステムにおける協調ダイナミクスの解決に応用できる。
論文参考訳（メタデータ） (2021-04-25T07:51:43Z)
Deep Multi-Task Learning for Cooperative NOMA: System Design and Principles [52.79089414630366]
我々は,近年のディープラーニング(DL)の進歩を反映した,新しいディープ・コラボレーティブなNOMAスキームを開発する。我々は,システム全体を包括的に最適化できるように,新しいハイブリッドカスケードディープニューラルネットワーク(DNN)アーキテクチャを開発した。
論文参考訳（メタデータ） (2020-07-27T12:38:37Z)
Asynchronous Decentralized Learning of a Neural Network [49.15799302636519]
我々は、ARockと呼ばれる非同期コンピューティングフレームワークを利用して、分散シナリオでフィードフォワードニューラルネットワーク(SSFN)を推定する自己サイズ推定と呼ばれるディープニューラルネットワークを学習する。非同期分散SSFNは1ノードのアクティベーションと一方の通信を許容することで通信ボトルネックを緩和し、通信オーバーヘッドを大幅に低減する。実験結果において、非同期dSSFNと従来の同期dSSFNを比較し、特に通信ネットワークが疎い場合に、非同期dSSFNの競合性能を示す。
論文参考訳（メタデータ） (2020-04-10T15:53:37Z)
Deep Learning for Radio Resource Allocation with Diverse Quality-of-Service Requirements in 5G [53.23237216769839]
本研究では,基地局の最適資源配分ポリシーを近似するディープラーニングフレームワークを開発する。完全接続ニューラルネットワーク(NN)は,近似誤差とサブキャリア数の量子化誤差により,要求を完全に保証できないことがわかった。無線チャネルの分布と無線ネットワークにおけるサービスのタイプが定常的でないことを考慮し,非定常的無線ネットワークにおけるNNの更新にディープトランスファー学習を適用した。
論文参考訳（メタデータ） (2020-03-29T04:48:22Z)

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。