論文の概要: Generative AI-Based Probabilistic Constellation Shaping With Diffusion
Models
- arxiv url: http://arxiv.org/abs/2311.09349v1
- Date: Wed, 15 Nov 2023 20:14:21 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-17 17:40:45.237128
- Title: Generative AI-Based Probabilistic Constellation Shaping With Diffusion
Models
- Title(参考訳): 拡散モデルを用いたAIに基づく確率的コンステレーション生成
- Authors: Mehdi Letafati, Samad Ali, and Matti Latva-aho
- Abstract要約: 我々は,通信システムにおける星座記号のPHY設計のための生成AIの力を解き放つことを目的としている。
本研究では,拡散確率モデル(DDPM)のデノイズ・アンド・ジェネレート特性を確率論的星座形成に利用した。
以上の結果から,生成AIに基づくスキームは,ディープニューラルネットワーク(DNN)ベースのベンチマークや均一なシェーピングよりも優れていた。
- 参考スコア(独自算出の注目度): 12.218161437914118
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Diffusion models are at the vanguard of generative AI research with renowned
solutions such as ImageGen by Google Brain and DALL.E 3 by OpenAI.
Nevertheless, the potential merits of diffusion models for communication
engineering applications are not fully understood yet. In this paper, we aim to
unleash the power of generative AI for PHY design of constellation symbols in
communication systems. Although the geometry of constellations is predetermined
according to networking standards, e.g., quadrature amplitude modulation (QAM),
probabilistic shaping can design the probability of occurrence (generation) of
constellation symbols. This can help improve the information rate and decoding
performance of communication systems. We exploit the ``denoise-and-generate''
characteristics of denoising diffusion probabilistic models (DDPM) for
probabilistic constellation shaping. The key idea is to learn generating
constellation symbols out of noise, ``mimicking'' the way the receiver performs
symbol reconstruction. This way, we make the constellation symbols sent by the
transmitter, and what is inferred (reconstructed) at the receiver become as
similar as possible, resulting in as few mismatches as possible. Our results
show that the generative AI-based scheme outperforms deep neural network
(DNN)-based benchmark and uniform shaping, while providing network resilience
as well as robust out-of-distribution performance under low-SNR regimes and
non-Gaussian assumptions. Numerical evaluations highlight 30% improvement in
terms of cosine similarity and a threefold improvement in terms of mutual
information compared to DNN-based approach for 64-QAM geometry.
- Abstract(参考訳): 拡散モデルは、Google BrainのImageGenやOpenAIのDALL.E 3といった有名なソリューションで、生成AI研究の先駆けとなっている。
しかしながら、通信工学応用における拡散モデルの潜在的な利点は、まだ完全には理解されていない。
本稿では,通信システムにおける星座シンボルのPHY設計のための生成AIのパワーを解き放つことを目的とする。
コンステレーションの幾何学はネットワークの標準、例えば二次振幅変調(qam)に従って決められるが、確率的シェーピングはコンステレーションシンボルの発生確率(生成)を設計することができる。
これにより、通信システムの情報レートと復号化性能が向上する。
拡散確率モデル (ddpm) の ‘denoise-and-generate'' 特性を確率的星座形成に活用する。
キーとなるアイデアは、受信機がシンボルの再構成を行う方法の '`mimicking'' である、ノイズから星座のシンボルを生成することを学ぶことである。
このようにして、送信機から送信される星座のシンボルと受信機で推測されるもの(再構成)を可能な限り類似させ、可能な限りミスマッチを少なくする。
提案手法は,低SNRと非ガウス的仮定の下で,ネットワークのレジリエンスとロバストなアウト・オブ・ディストリビューション性能を提供するとともに,ディープ・ニューラルネットワーク(DNN)ベースのベンチマークや均一なシェーピングよりも優れていることを示す。
数値評価では,64-qam幾何学に対するdnnに基づくアプローチと比較して,コサイン類似度で30%,相互情報で3倍の改善が示された。
関連論文リスト
- Diffusion Models for Wireless Communications [12.218161437914118]
無線通信システムにおける拡散モデルの適用について概説する。
重要なアイデアは、データ生成プロセスを"デノイング"ステップで分解し、徐々にノイズからサンプルを生成することです。
本稿では,AIネイティブ通信システムの開発において拡散モデルをどのように活用できるかを示す。
論文 参考訳(メタデータ) (2023-10-11T08:57:59Z) - SatDM: Synthesizing Realistic Satellite Image with Semantic Layout
Conditioning using Diffusion Models [0.0]
Denoising Diffusion Probabilistic Models (DDPM) は意味的レイアウトから現実的なイメージを合成する上で大きな可能性を証明している。
本稿では,セマンティックマップを用いて高品質で多様な衛星画像を生成する条件付きDDPMモデルを提案する。
提案モデルの有効性は,本研究の文脈内で導入した詳細なラベル付きデータセットを用いて検証する。
論文 参考訳(メタデータ) (2023-09-28T19:39:13Z) - Complexity Matters: Rethinking the Latent Space for Generative Modeling [65.64763873078114]
生成的モデリングにおいて、多くの成功したアプローチは、例えば安定拡散のような低次元の潜在空間を利用する。
本研究では, モデル複雑性の観点から潜在空間を再考することにより, 未探索の話題に光を当てることを目的としている。
論文 参考訳(メタデータ) (2023-07-17T07:12:29Z) - Radio Generation Using Generative Adversarial Networks with An Unrolled
Design [18.049453261384013]
無線生成のための新しいGANフレームワーク「Radio GAN」を開発した。
1つ目は、電波信号のサンプリング分布をモデル化することを目的としたサンプリングポイントに基づく学習である。
2つ目は、未学習のジェネレータ設計であり、予測された純粋な信号分布を前者として組み合わせることで、学習の難易度を大幅に低減することができる。
論文 参考訳(メタデータ) (2023-06-24T07:47:22Z) - Explainable, Physics Aware, Trustworthy AI Paradigm Shift for Synthetic
Aperture Radar [5.164409209168982]
本稿では,SAR(Synthetic Aperture Radar)データを対象としたデータサイエンスにおける説明可能性のパラダイム変更を提案する。
明確に確立されたモデルに基づいた説明可能なデータ変換を使用して、AIメソッドのインプットを生成することを目指している。
論文 参考訳(メタデータ) (2023-01-09T09:22:13Z) - DINER: Disorder-Invariant Implicit Neural Representation [33.10256713209207]
入射神経表現(INR)は、信号の属性を対応する座標の関数として特徴づける。
本稿では、従来のINRバックボーンにハッシュテーブルを付加することにより、障害不変な暗黙的神経表現(DINER)を提案する。
論文 参考訳(メタデータ) (2022-11-15T03:34:24Z) - Learning to Estimate RIS-Aided mmWave Channels [50.15279409856091]
そこでは,観測観測のために,既知の基地局とRIS位相制御行列を併用したアップリンクチャネル推定手法を提案する。
推定性能を向上し, トレーニングオーバーヘッドを低減するため, 深部展開法において, mmWaveチャネルの固有チャネル幅を生かした。
提案したディープ・アンフォールディング・ネットワーク・アーキテクチャは,トレーニングオーバーヘッドが比較的小さく,オンライン計算の複雑さも比較的小さく,最小二乗法(LS)法より優れていることが確認された。
論文 参考訳(メタデータ) (2021-07-27T06:57:56Z) - On the benefits of robust models in modulation recognition [53.391095789289736]
畳み込み層を用いたディープニューラルネットワーク(DNN)は、通信における多くのタスクにおいて最先端である。
画像分類のような他の領域では、DNNは敵の摂動に弱いことが示されている。
最新モデルの堅牢性をテストするための新しいフレームワークを提案する。
論文 参考訳(メタデータ) (2021-03-27T19:58:06Z) - Spatial Dependency Networks: Neural Layers for Improved Generative Image
Modeling [79.15521784128102]
画像生成装置(デコーダ)を構築するための新しいニューラルネットワークを導入し、可変オートエンコーダ(VAE)に適用する。
空間依存ネットワーク(sdns)では、ディープニューラルネットの各レベルにおける特徴マップを空間的にコヒーレントな方法で計算する。
空間依存層による階層型vaeのデコーダの強化は密度推定を大幅に改善することを示す。
論文 参考訳(メタデータ) (2021-03-16T07:01:08Z) - Denoising Diffusion Probabilistic Models [91.94962645056896]
拡散確率モデルを用いて高品質な画像合成結果を示す。
本研究は,拡散確率モデルとランゲヴィン力学と整合したデノイングスコアとの新たな接続に基づいて設計した重み付き変分境界のトレーニングにより得られた。
論文 参考訳(メタデータ) (2020-06-19T17:24:44Z) - 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。