論文の概要: Deep Learning-Based Detection for Marker Codes over Insertion and
Deletion Channels
- arxiv url: http://arxiv.org/abs/2401.01155v1
- Date: Tue, 2 Jan 2024 11:13:01 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-03 14:11:24.985853
- Title: Deep Learning-Based Detection for Marker Codes over Insertion and
Deletion Channels
- Title(参考訳): 挿入・削除チャネルによるマーカ符号の深層学習に基づく検出
- Authors: Guochen Ma, Xiaopeng Jiao, Jianjun Mu, Hui Han, and Yaming Yang
- Abstract要約: マーカコードは挿入や削除からデータを保護するための効果的な符号化方式である。
DNAストレージやレーストラックメモリなど、将来のストレージシステムに潜在的な応用がある。
ディープラーニングに基づくマーカーコードに対する2つのCSI非依存検出アルゴリズムを提案する。
- 参考スコア(独自算出の注目度): 5.310666534758956
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Marker code is an effective coding scheme to protect data from insertions and
deletions. It has potential applications in future storage systems, such as DNA
storage and racetrack memory. When decoding marker codes, perfect channel state
information (CSI), i.e., insertion and deletion probabilities, are required to
detect insertion and deletion errors. Sometimes, the perfect CSI is not easy to
obtain or the accurate channel model is unknown. Therefore, it is deserved to
develop detecting algorithms for marker code without the knowledge of perfect
CSI. In this paper, we propose two CSI-agnostic detecting algorithms for marker
code based on deep learning. The first one is a model-driven deep learning
method, which deep unfolds the original iterative detecting algorithm of marker
code. In this method, CSI become weights in neural networks and these weights
can be learned from training data. The second one is a data-driven method which
is an end-to-end system based on the deep bidirectional gated recurrent unit
network. Simulation results show that error performances of the proposed
methods are significantly better than that of the original detection algorithm
with CSI uncertainty. Furthermore, the proposed data-driven method exhibits
better error performances than other methods for unknown channel models.
- Abstract(参考訳): マーカーコードは挿入や削除からデータを保護する効果的なコーディングスキームである。
DNAストレージやレーストラックメモリなど、将来のストレージシステムに潜在的な応用がある。
マーカー符号を復号する場合、挿入と削除の確率である完全チャネル状態情報(CSI)が挿入と削除の誤りを検出するために必要となる。
完全なcsiを得るのが容易でない場合や正確なチャネルモデルが不明な場合もある。
したがって、完全CSIの知識を必要とせず、マーカーコードの検出アルゴリズムを開発する必要がある。
本稿では,深層学習に基づくマーカーコードに対するcsi非依存検出アルゴリズムを2つ提案する。
1つはモデル駆動型深層学習法で、マーカーコードの元の反復検出アルゴリズムを深く展開する。
この方法では、csiはニューラルネットワークの重みとなり、これらの重みはトレーニングデータから学べる。
2つ目は、ディープ双方向ゲート再帰単位ネットワークに基づくエンドツーエンドシステムであるデータ駆動方式である。
シミュレーションの結果,提案手法の誤差性能はcsi不確かさのある元の検出アルゴリズムよりも有意に優れていることがわかった。
さらに,提案手法は未知チャネルモデルに対する他の手法よりも優れた誤差性能を示す。
関連論文リスト
- DOC-NAD: A Hybrid Deep One-class Classifier for Network Anomaly
Detection [0.0]
ネットワーク侵入検知システム(NIDS)の検出能力を高めるために機械学習アプローチが用いられている。
最近の研究は、バイナリとマルチクラスのネットワーク異常検出タスクに従うことで、ほぼ完璧な性能を実現している。
本稿では,ネットワークデータサンプルの学習のみによるネットワーク侵入検出のためのDeep One-Class (DOC)分類器を提案する。
論文 参考訳(メタデータ) (2022-12-15T00:08:05Z) - Anomaly Detection with Adversarially Learned Perturbations of Latent
Space [9.473040033926264]
異常検出は、正常なデータの分布に適合しないサンプルを特定することである。
本研究では,2つの競合するコンポーネント,Adversarial Distorter と Autoencoder で構成される対角的フレームワークを設計した。
提案手法は,画像およびビデオデータセットの異常検出において,既存の最先端手法よりも優れている。
論文 参考訳(メタデータ) (2022-07-03T19:32:00Z) - Weakly Supervised Change Detection Using Guided Anisotropic Difusion [97.43170678509478]
我々は、このようなデータセットを変更検出の文脈で活用するのに役立つ独自のアイデアを提案する。
まず,意味的セグメンテーション結果を改善する誘導異方性拡散(GAD)アルゴリズムを提案する。
次に、変化検出に適した2つの弱い教師付き学習戦略の可能性を示す。
論文 参考訳(メタデータ) (2021-12-31T10:03:47Z) - Fiducial marker recovery and detection from severely truncated data in
navigation assisted spine surgery [5.731349529280083]
ナビゲーション支援ミニマル侵襲脊椎手術(MISS)で一般的に使用されるフィデューシャルマーカー
実際には、これらのマーカーは、C-arm cone-beam Computed Tomography (CBCT) システムの限られた検出器サイズのため、視野の外に位置する可能性がある。
歪みマーカーからの直接検出(ダイレクトメソッド)とマーカー回復後の検出(リカバリ手法)の2つのファデューシャルマーカー検出手法を提案する。
論文 参考訳(メタデータ) (2021-08-25T13:52:58Z) - Intrusion detection in computer systems by using artificial neural
networks with Deep Learning approaches [0.0]
コンピュータネットワークへの侵入検知は、サイバーセキュリティにおける最も重要な問題の1つとなっている。
本稿では,ディープラーニングアーキテクチャに基づく侵入検知システムの設計と実装に焦点を当てる。
論文 参考訳(メタデータ) (2020-12-15T19:12:23Z) - D-Unet: A Dual-encoder U-Net for Image Splicing Forgery Detection and
Localization [108.8592577019391]
画像スプライシング偽造検出は、画像指紋によって改ざんされた領域と非改ざんされた領域を区別するグローバルバイナリ分類タスクである。
画像スプライシングフォージェリ検出のためのデュアルエンコーダU-Net(D-Unet)という,固定されていないエンコーダと固定エンコーダを用いた新しいネットワークを提案する。
D-Unetと最先端技術の比較実験において、D-Unetは画像レベルおよび画素レベルの検出において他の手法よりも優れていた。
論文 参考訳(メタデータ) (2020-12-03T10:54:02Z) - BiDet: An Efficient Binarized Object Detector [96.19708396510894]
本稿では,効率的な物体検出のためのバイナライズニューラルネットワークのBiDetを提案する。
我々のBiDetは、冗長除去による物体検出にバイナリニューラルネットワークの表現能力を完全に活用している。
我々の手法は、最先端のバイナリニューラルネットワークを大きなマージンで上回る。
論文 参考訳(メタデータ) (2020-03-09T08:16:16Z) - Auto-Encoding Twin-Bottleneck Hashing [141.5378966676885]
本稿では,効率よく適応的なコード駆動グラフを提案する。
自動エンコーダのコンテキストでデコードすることで更新される。
ベンチマークデータセットの実験は、最先端のハッシュ手法よりもフレームワークの方が優れていることを明らかに示しています。
論文 参考訳(メタデータ) (2020-02-27T05:58:12Z) - 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) - DeepSIC: Deep Soft Interference Cancellation for Multiuser MIMO
Detection [98.43451011898212]
複数のシンボルが同時に送信されるマルチユーザマルチインプットマルチアウトプット(MIMO)設定では、正確なシンボル検出が困難である。
本稿では,DeepSICと呼ぶ反復ソフト干渉キャンセリング(SIC)アルゴリズムの,データ駆動による実装を提案する。
DeepSICは、チャネルを線形にすることなく、限られたトレーニングサンプルから共同検出を行うことを学ぶ。
論文 参考訳(メタデータ) (2020-02-08T18:31:00Z)
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。