論文の概要: Boosting Learning for LDPC Codes to Improve the Error-Floor Performance
- arxiv url: http://arxiv.org/abs/2310.07194v1
- Date: Wed, 11 Oct 2023 05:05:40 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-14 02:31:52.443737
- Title: Boosting Learning for LDPC Codes to Improve the Error-Floor Performance
- Title（参考訳）: LDPCコードによるエラーフロー性能向上のための強化学習
- Authors: Hee-Youl Kwak, Dae-Young Yun, Yongjune Kim, Sang-Hyo Kim, Jong-Seon No
- Abstract要約: 本稿では, エラーフロアに頑健なニューラル min-sum (NMS) デコーダを最適化するためのトレーニング手法を提案する。
異なる重み付けを不満足なチェックノードに割り当てることで、最小限の重み付けでエラーフロアを効果的に低減できることを示す。
- 参考スコア（独自算出の注目度）: 16.297253625958174
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Low-density parity-check (LDPC) codes have been successfully commercialized
in communication systems due to their strong error correction ability and
simple decoding process. However, the error-floor phenomenon of LDPC codes, in
which the error rate stops decreasing rapidly at a certain level, poses
challenges in achieving extremely low error rates and the application of LDPC
codes in scenarios demanding ultra high reliability. In this work, we propose
training methods to optimize neural min-sum (NMS) decoders that are robust to
the error-floor. Firstly, by leveraging the boosting learning technique of
ensemble networks, we divide the decoding network into two networks and train
the post network to be specialized for uncorrected codewords that failed in the
first network. Secondly, to address the vanishing gradient issue in training,
we introduce a block-wise training schedule that locally trains a block of
weights while retraining the preceding block. Lastly, we show that assigning
different weights to unsatisfied check nodes effectively lowers the error-floor
with a minimal number of weights. By applying these training methods to
standard LDPC codes, we achieve the best error-floor performance compared to
other decoding methods. The proposed NMS decoder, optimized solely through
novel training methods without additional modules, can be implemented into
current LDPC decoders without incurring extra hardware costs. The source code
is available at https://github.com/ghy1228/LDPC_Error_Floor.
- Abstract（参考訳）: 低密度パリティチェック (LDPC) 符号は, 高い誤り訂正能力と単純な復号処理により通信システムにおいて商業化されている。
しかし、LDPC符号のエラーフロア現象は、誤り率を一定レベルで急速に低下させる現象であり、非常に低いエラー率を達成することや、超高信頼性を必要とするシナリオにおけるLDPC符号の適用が困難となる。
本研究では,誤り床に対して頑健なニューラルミンサム(nms)デコーダを最適化するためのトレーニング手法を提案する。
まず,アンサンブルネットワークの強化学習技術を活用することで,デコードネットワークを2つのネットワークに分割し,第1のネットワークで失敗した誤りコードワードを専門とするポストネットワークを訓練する。
第二に,学習における勾配問題に対処するため,前ブロックを再訓練しながら,一ブロックの重みを局所的に訓練するブロックワイドトレーニングスケジュールを導入する。
最後に,不満足なチェックノードに異なる重みを割り当てることで,少ない重みでエラーフローを効果的に低減できることを示す。
これらのトレーニング手法を標準LDPC符号に適用することにより、他の復号法と比較して最高のエラーフロア性能が得られる。
提案したNMSデコーダは、追加モジュールを使わずに新しいトレーニング手法によってのみ最適化され、ハードウェアコストを伴わずに現在のLDPCデコーダに実装できる。
ソースコードはhttps://github.com/ghy1228/ldpc_error_floorで入手できる。
関連論文リスト
- Accelerating Error Correction Code Transformers [56.75773430667148]
本稿では,トランスを用いたデコーダの高速化手法を提案する。
最新のハードウェアでは、90%の圧縮比を実現し、算術演算エネルギー消費を少なくとも224倍削減する。
論文 参考訳（メタデータ） (2024-10-08T11:07:55Z) - Boosted Neural Decoders: Achieving Extreme Reliability of LDPC Codes for 6G Networks [15.190674451882964]
6Gネットワーク内の超信頼性・低遅延通信(xURLLC)の次世代では、フレームエラー率(FER)が10-9ドル以下である。
低密度パリティチェック(LDPC)符号は5Gニューラジオ(NR)の標準規格であり、エラーフロア現象と呼ばれる課題に直面している。
本稿では,ニューラル・ミニサム(NMS)デコーダの高速化という革新的な手法を提案する。
論文 参考訳（メタデータ） (2024-05-22T07:48:24Z) - Learning Linear Block Error Correction Codes [62.25533750469467]
本稿では,バイナリ線形ブロック符号の統一エンコーダデコーダトレーニングを初めて提案する。
また,コード勾配の効率的なバックプロパゲーションのために,自己注意マスキングを行うトランスフォーマーモデルを提案する。
論文 参考訳（メタデータ） (2024-05-07T06:47:12Z) - Graph Neural Networks for Enhanced Decoding of Quantum LDPC Codes [6.175503577352742]
量子低密度パリティチェック(LDPC)符号に対する微分可能な反復デコーダを提案する。
提案アルゴリズムは,古典的信念伝達(BP)復号段階と中間グラフニューラルネットワーク(GNN)層から構成される。
論文 参考訳（メタデータ） (2023-10-26T19:56:25Z) - 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) - Boost decoding performance of finite geometry LDPC codes with deep
learning tactics [3.1519370595822274]
有限幾何LDPC符号のクラスに対して,低複雑かつ高性能なデコーダを求める。
高品質なトレーニングデータを効果的に生成する方法について詳述する。
論文 参考訳（メタデータ） (2022-05-01T14:41:16Z) - Adversarial Neural Networks for Error Correcting Codes [76.70040964453638]
機械学習(ML)モデルの性能と適用性を高めるための一般的なフレームワークを紹介する。
本稿では,MLデコーダと競合する識別器ネットワークを組み合わせることを提案する。
我々のフレームワークはゲーム理論であり、GAN(Generative Adversarial Network)によって動機付けられている。
論文 参考訳（メタデータ） (2021-12-21T19:14:44Z) - Efficient Decoding of Surface Code Syndromes for Error Correction in
Quantum Computing [0.09236074230806578]
本稿では,2レベル(低レベル,高レベル)のMLベースの復号法を提案し,第1レベルが物理量子ビット上の誤りを訂正し,第2レベルが既存の論理的誤りを訂正する。
その結果,提案手法は擬似閾値としきい値のそれぞれ$sim10倍,$sim2倍の値が得られることがわかった。
より高度な訓練/テスト時間を持つMLモデルの使用は、デコーダの性能に大きな改善をもたらすものではないことを示す。
論文 参考訳（メタデータ） (2021-10-21T04:54:44Z) - FAID Diversity via Neural Networks [23.394836086114413]
LDPC(Low-Density Parity Check)符号のための有限アルファベット反復デコーダ(FAID)のデコーダの多様性を設計する新しいアプローチを提案する。
提案するデコーダの多様性は、繰り返し量子化ニューラルネットワーク(RQNN)をトレーニングしてFAIDを学習・設計することで達成される。
論文 参考訳（メタデータ） (2021-05-10T05:14:42Z) - Pruning Neural Belief Propagation Decoders [77.237958592189]
本稿では,機械学習を用いたBPデコードに対して,過剰完全パリティチェック行列を調整する手法を提案する。
我々は,デコーダの複雑さを低減しつつ,0.27dB,1.5dBのML性能を実現する。
論文 参考訳（メタデータ） (2020-01-21T12:05:46Z)
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。