論文の概要: Auto-CsiNet: Scenario-customized Automatic Neural Network Architecture
Generation for Massive MIMO CSI Feedback
- arxiv url: http://arxiv.org/abs/2311.15950v1
- Date: Mon, 27 Nov 2023 15:56:58 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-28 14:27:34.319354
- Title: Auto-CsiNet: Scenario-customized Automatic Neural Network Architecture
Generation for Massive MIMO CSI Feedback
- Title（参考訳）: Auto-CsiNet: 大規模MIMO CSIフィードバックのためのシナリオカスタマイズ型ニューラルネットワークアーキテクチャ生成
- Authors: Xiangyi Li, Jiajia Guo, Chao-Kai Wen, and Shi Jin
- Abstract要約: 本稿では,NAS(Neural Architecture Search)を用いてシナリオ適応型CSIフィードバックNNアーキテクチャの自動生成を提案する。
実験の結果,自動生成アーキテクチャであるAuto-CsiNetは,復元性能と複雑性の両方において,手作業で設計したモデルを上回る性能を示した。
- 参考スコア（独自算出の注目度）: 45.457706499525614
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep learning has revolutionized the design of the channel state information
(CSI) feedback module in wireless communications. However, designing the
optimal neural network (NN) architecture for CSI feedback can be a laborious
and time-consuming process. Manual design can be prohibitively expensive for
customizing NNs to different scenarios. This paper proposes using neural
architecture search (NAS) to automate the generation of scenario-customized CSI
feedback NN architectures, thereby maximizing the potential of deep learning in
exclusive environments. By employing automated machine learning and
gradient-descent-based NAS, an efficient and cost-effective architecture design
process is achieved. The proposed approach leverages implicit scene knowledge,
integrating it into the scenario customization process in a data-driven manner,
and fully exploits the potential of deep learning for each specific scenario.
To address the issue of excessive search, early stopping and elastic selection
mechanisms are employed, enhancing the efficiency of the proposed scheme. The
experimental results demonstrate that the automatically generated architecture,
known as Auto-CsiNet, outperforms manually-designed models in both
reconstruction performance (achieving approximately a 14% improvement) and
complexity (reducing it by approximately 50%). Furthermore, the paper analyzes
the impact of the scenario on the NN architecture and its capacity.
- Abstract（参考訳）: 深層学習は、無線通信におけるチャネル状態情報(CSI)フィードバックモジュールの設計に革命をもたらした。
しかし、CSIフィードバックのための最適なニューラルネットワーク(NN)アーキテクチャを設計することは、手間と時間を要するプロセスである。
手動設計は、nnを異なるシナリオにカスタマイズするのに非常に高価である。
本稿では,NAS(Neural Architecture Search)を用いてシナリオ適応型CSIフィードバックNNアーキテクチャの生成を自動化し,排他的環境におけるディープラーニングの可能性の最大化を提案する。
自動機械学習と勾配descentベースのnasを使用することで、効率的でコスト効率の良いアーキテクチャ設計プロセスを実現する。
提案手法は暗黙的なシーン知識を活用し,それをデータ駆動方式でシナリオカスタマイズプロセスに統合し,各シナリオに対するディープラーニングの可能性を完全に活用する。
過剰探索の問題に対処するため, 早期停止と弾性選択機構を採用し, 提案手法の効率化を図る。
実験の結果,自動生成アーキテクチャであるAuto-CsiNetは,復元性能(約14%の改善)と複雑性(約50%改善)の両方において,手作業で設計したモデルを上回る性能を示した。
さらに,本論文では,シナリオがNNアーキテクチャに与える影響とその能力について分析する。
関連論文リスト
- Auto-Train-Once: Controller Network Guided Automatic Network Pruning from Scratch [72.26822499434446]
オートトレインオース (Auto-Train-Once, ATO) は、DNNの計算コストと記憶コストを自動的に削減するために設計された、革新的なネットワークプルーニングアルゴリズムである。
総合的な収束解析と広範な実験を行い,本手法が様々なモデルアーキテクチャにおける最先端性能を実現することを示す。
論文 参考訳（メタデータ） (2024-03-21T02:33:37Z) - NAR-Former: Neural Architecture Representation Learning towards Holistic
Attributes Prediction [37.357949900603295]
本稿では,属性の全体的推定に使用できるニューラルネットワーク表現モデルを提案する。
実験の結果,提案するフレームワークは,セルアーキテクチャとディープニューラルネットワーク全体の遅延特性と精度特性を予測できることがわかった。
論文 参考訳（メタデータ） (2022-11-15T10:15:21Z) - Towards Theoretically Inspired Neural Initialization Optimization [66.04735385415427]
我々は,ニューラルネットワークの初期状態を評価するための理論的知見を備えた,GradCosineという微分可能な量を提案する。
標準制約下でGradCosineを最大化することにより、ネットワークのトレーニングとテストの両方の性能を向上させることができることを示す。
サンプル分析から実際のバッチ設定に一般化されたNIOは、無視可能なコストで、より優れた初期化を自動で探すことができる。
論文 参考訳（メタデータ） (2022-10-12T06:49:16Z) - Neural Architecture Search for Speech Emotion Recognition [72.1966266171951]
本稿では,SERモデルの自動構成にニューラルアーキテクチャサーチ(NAS)技術を適用することを提案する。
NASはモデルパラメータサイズを維持しながらSER性能(54.89%から56.28%)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） (2022-03-31T10:16:10Z) - A novel Deep Neural Network architecture for non-linear system
identification [78.69776924618505]
非線形システム識別のための新しいDeep Neural Network (DNN)アーキテクチャを提案する。
メモリシステムにインスパイアされたインダクティブバイアス(アーキテクチャ)と正規化(損失関数)を導入する。
このアーキテクチャは、利用可能なデータのみに基づいて、自動的な複雑性の選択を可能にする。
論文 参考訳（メタデータ） (2021-06-06T10:06:07Z) - Differentiable Neural Architecture Learning for Efficient Neural Network
Design [31.23038136038325]
スケールド・シグモイド関数に基づく新しいemphアーキテクチャのパラメータ化を提案する。
そこで本論文では,候補ニューラルネットワークを評価することなく,ニューラルネットワークを最適化するための汎用的エファイブルニューラルネットワーク学習(DNAL)手法を提案する。
論文 参考訳（メタデータ） (2021-03-03T02:03:08Z) - A Semi-Supervised Assessor of Neural Architectures [157.76189339451565]
我々は、ニューラルネットワークの有意義な表現を見つけるためにオートエンコーダを用いる。
アーキテクチャの性能を予測するために、グラフ畳み込みニューラルネットワークを導入する。
論文 参考訳（メタデータ） (2020-05-14T09:02:33Z)
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。