論文の概要: On the Robustness of Deep Learning-aided Symbol Detectors to Varying Conditions and Imperfect Channel Knowledge

• arxiv url: http://arxiv.org/abs/2401.12645v1
• Date: Tue, 23 Jan 2024 10:55:29 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-24 16:08:30.377324
• Title: On the Robustness of Deep Learning-aided Symbol Detectors to Varying Conditions and Imperfect Channel Knowledge
• Title（参考訳）: 深層学習支援シンボル検出器の各種条件と不完全チャネル知識に対するロバスト性について
• Authors: Chin-Hung Chen, Boris Karanov, Wim van Houtum, Wu Yan, Alex Young, Alex Alvarado
• Abstract要約: 本稿では,既存の文献を拡張して,現実世界の伝送路に現れる不完全なチャネル知識事例を網羅する。 BCJRNetは、定常伝送シナリオにおいて従来のBCJRアルゴリズムよりも大幅に優れている。 また,従来のBCJRとBCJRNetのメモリ仮定の重要性も示した。
• 参考スコア（独自算出の注目度）: 1.9107347888374506
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recently, a data-driven Bahl-Cocke-Jelinek-Raviv (BCJR) algorithm tailored to channels with intersymbol interference has been introduced. This so-called BCJRNet algorithm utilizes neural networks to calculate channel likelihoods. BCJRNet has demonstrated resilience against inaccurate channel tap estimations when applied to a time-invariant channel with ideal exponential decay profiles. However, its generalization capabilities for practically-relevant time-varying channels, where the receiver can only access incorrect channel parameters, remain largely unexplored. The primary contribution of this paper is to expand upon the results from existing literature to encompass a variety of imperfect channel knowledge cases that appear in real-world transmissions. Our findings demonstrate that BCJRNet significantly outperforms the conventional BCJR algorithm for stationary transmission scenarios when learning from noisy channel data and with imperfect channel decay profiles. However, this advantage is shown to diminish when the operating channel is also rapidly time-varying. Our results also show the importance of memory assumptions for conventional BCJR and BCJRNet. An underestimation of the memory largely degrades the performance of both BCJR and BCJRNet, especially in a slow-decaying channel. To mimic a situation closer to a practical scenario, we also combined channel tap uncertainty with imperfect channel memory knowledge. Somewhat surprisingly, our results revealed improved performance when employing the conventional BCJR with an underestimated memory assumption. BCJRNet, on the other hand, showed a consistent performance improvement as the level of accurate memory knowledge increased.
• Abstract（参考訳）: 近年,シンボル間干渉を考慮したデータ駆動型Bahl-Cocke-Jelinek-Raviv (BCJR)アルゴリズムが導入された。 BCJRNetと呼ばれるこのアルゴリズムは、ニューラルネットワークを使ってチャネル確率を計算する。 bcjrnetは、理想的な指数崩壊プロファイルを持つ時間不変チャネルに適用すると、不正確なチャネルタップ推定に対する回復性を示す。 しかし、受信機が誤ったチャネルパラメータにしかアクセスできない時間変化チャンネルの一般化機能は、ほとんど未探索のままである。 本論文の主な貢献は,既存の文献から,現実世界の伝送に現れる様々な不完全なチャネル知識事例を網羅する研究成果の拡大である。 以上の結果から,BCJRNetは,ノイズチャネルデータや不完全なチャネル崩壊プロファイルから学習する場合,従来のBCJRアルゴリズムよりも優れていた。 しかし、この利点は、動作チャネルの時間変化が急速に変化するときに減少することが示される。 また,従来のBCJRとBCJRNetのメモリ仮定の重要性も示した。 メモリの過小評価はBCJRとBCJRNetの両方のパフォーマンスを大きく低下させる。 実用的なシナリオに近い状況を模倣するために,チャネルタップの不確実性と不完全なチャネルメモリ知識を組み合わせる。 意外なことに,従来のBCJRを用いたメモリの過小評価では,性能が向上した。 一方、BCJRNetは、正確なメモリ知識のレベルが増加するにつれて、一貫した性能向上を示した。

関連論文リスト

• Distilling Channels for Efficient Deep Tracking [68.13422829310835]
  本稿では,ディープトラッカーを容易にするための新しいチャネル蒸留法を提案する。 統合的な定式化は,特徴圧縮,応答マップ生成,モデル更新を統一エネルギー最小化問題に変換することができることを示す。 その結果、ディープトラッカーは正確で高速で、メモリ要求が低い。
  論文  参考訳（メタデータ） (2024-09-18T08:09:20Z)
• Data-Driven Symbol Detection for Intersymbol Interference Channels with Bursty Impulsive Noise [1.9462217839524345]
  我々は,シンボル間干渉(ISI)チャネルを経由した符号化伝送におけるデータ駆動トレリスに基づくソフトシンボル検出のための機械学習手法を開発した。 これにより、Bahl-Cocke-Jelinek-Raviv (BCJR)アルゴリズムに基づいて最適化された検出器を得ることができた。 我々は,HMMによる状態遷移を最適化しながら,NNが可能性の学習に使用されるハイブリッドNNとHMM BCJRの検出の可能性を実証した。
  論文  参考訳（メタデータ） (2024-05-17T14:35:09Z)
• From Similarity to Superiority: Channel Clustering for Time Series Forecasting [61.96777031937871]
  CCM(Channel Clustering Module)を開発した。 CCMは、固有の類似性を特徴とするチャネルを動的にグループ化し、個々のチャネルのアイデンティティの代わりにクラスタ情報を活用する。 CCMは、CIモデルとCDモデルのパフォーマンスを、それぞれ長期および短期の予測において平均利率2.4%と7.2%で向上させることができる。
  論文  参考訳（メタデータ） (2024-03-31T02:46:27Z)
• Fault-tolerant quantum architectures based on erasure qubits [49.227671756557946]
  我々は、支配的なノイズを既知の場所での消去に効率よく変換することで、消去量子ビットの考え方を利用する。 消去量子ビットと最近導入されたFloquet符号に基づくQECスキームの提案と最適化を行う。 以上の結果から, 消去量子ビットに基づくQECスキームは, より複雑であるにもかかわらず, 標準手法よりも著しく優れていることが示された。
  論文  参考訳（メタデータ） (2023-12-21T17:40:18Z)
• Joint Channel Estimation and Feedback with Masked Token Transformers in Massive MIMO Systems [74.52117784544758]
  本稿では,CSI行列内の固有周波数領域相関を明らかにするエンコーダデコーダに基づくネットワークを提案する。 エンコーダ・デコーダネットワーク全体がチャネル圧縮に使用される。 提案手法は,共同作業における現状のチャネル推定およびフィードバック技術より優れる。
  論文  参考訳（メタデータ） (2023-06-08T06:15:17Z)
• An Efficient Machine Learning-based Channel Prediction Technique for OFDM Sub-Bands [0.0]
  我々はOFDMサブバンドにおけるチャネル予測のための効率的な機械学習(ML)に基づく手法を提案する。 提案手法の新規性は、選択的なフェーディングにおける将来のチャネル挙動を推定するために使用されるチャネルフェーディングサンプルのトレーニングにある。
  論文  参考訳（メタデータ） (2023-05-31T09:41:27Z)
• Soft Masking for Cost-Constrained Channel Pruning [17.138115344464513]
  構造化チャネルプルーニングは、現代のハードウェア上での畳み込みニューラルネットワーク(CNN)の推論時間を著しく加速することが示されている。 最近の研究は、トレーニング中にこれらのチャネルを永久的にゼロにしており、最終的な精度を著しく損なうことが観察されている。 本稿では,コスト制約付きチャネル・プルーニング(SMCP)のためのソフト・マスキングを提案する。
  論文  参考訳（メタデータ） (2022-11-04T01:28:45Z)
• CATRO: Channel Pruning via Class-Aware Trace Ratio Optimization [61.71504948770445]
  本稿では,CATRO (Class-Aware Trace Ratio Optimization) を用いた新しいチャネルプルーニング手法を提案する。 CATROは、他の最先端チャネルプルーニングアルゴリズムと同等の精度で、同様のコストまたは低コストで高い精度を達成できることを示す。 CATROは、クラス認識の特性のため、様々な分類サブタスクに適応的に効率の良いネットワークを創り出すのに適している。
  論文  参考訳（メタデータ） (2021-10-21T06:26:31Z)
• Group Fisher Pruning for Practical Network Compression [58.25776612812883]
  本稿では,様々な複雑な構造に応用可能な汎用チャネルプルーニング手法を提案する。 我々は、単一チャネルと結合チャネルの重要性を評価するために、フィッシャー情報に基づく統一されたメトリクスを導出する。 提案手法は,結合チャネルを含む任意の構造をプルークするために利用できる。
  論文  参考訳（メタデータ） (2021-08-02T08:21:44Z)
• Channel Pruning Guided by Spatial and Channel Attention for DNNs in Intelligent Edge Computing [15.248962858090431]
  重要な課題は、どのチャネルを削除すべきかを判断し、モデルの精度が負の影響を受けないようにすることだ。 本稿では,空間的注意とチャネル的注意の両方を組み合わせた新しいアテンションモジュールを提案する。 SCAのガイダンスにより、CPSCAアプローチは、他の最先端のプルーニング手法よりも高い推論精度を実現する。
  論文  参考訳（メタデータ） (2020-11-08T02:40:06Z)

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。