論文の概要: DeepPolar: Inventing Nonlinear Large-Kernel Polar Codes via Deep
Learning
- arxiv url: http://arxiv.org/abs/2402.08864v1
- Date: Wed, 14 Feb 2024 00:18:10 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-15 17:20:14.332393
- Title: DeepPolar: Inventing Nonlinear Large-Kernel Polar Codes via Deep
Learning
- Title(参考訳): DeepPolar: ディープラーニングによる非線形大カーネル極性コードの作成
- Authors: S Ashwin Hebbar, Sravan Kumar Ankireddy, Hyeji Kim, Sewoong Oh, Pramod
Viswanath
- Abstract要約: 我々は,カーネルサイズを拡大した極性符号の非線形一般化を新たに検討し,これをDeepPolar符号と呼ぶ。
以上の結果から,DeepPolar符号はカーネルサイズが大きくなることにより,既存のニューラル符号と従来の極性符号の双方と比較して信頼性が向上した。
- 参考スコア(独自算出の注目度): 38.73365708574913
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Polar codes, developed on the foundation of Arikan's polarization kernel,
represent a breakthrough in coding theory and have emerged as the
state-of-the-art error-correction-code in short-to-medium block length regimes.
Importantly, recent research has indicated that the reliability of polar codes
can be further enhanced by substituting Arikan's kernel with a larger one,
leading to a faster polarization. However, for short-to-medium block length
regimes, the development of polar codes that effectively employ large kernel
sizes has not yet been realized. In this paper, we explore a novel, non-linear
generalization of polar codes with an expanded kernel size, which we call
DeepPolar codes. Our results show that DeepPolar codes effectively utilize the
benefits of larger kernel size, resulting in enhanced reliability compared to
both the existing neural codes and conventional polar codes.
- Abstract(参考訳): 極符号は、アリカンの分極カーネルの基盤として開発され、符号理論の突破口となり、短絡ブロック長系における最先端の誤り訂正符号として登場した。
重要なことに、近年の研究では、アリカンの核をより大きな核で置換することで、極符号の信頼性をさらに高めることができ、より高速な極化がもたらされている。
しかし, ブロック長が短い場合, 大きなカーネルサイズを効果的に活用する極符号の開発はまだ実現されていない。
本稿では,カーネルサイズを拡大した極性符号の非線形一般化を新たに検討し,これをDeepPolar符号と呼ぶ。
以上の結果から,DeepPolar符号はカーネルサイズが大きくなることにより,既存のニューラル符号と従来の極性符号の双方と比較して信頼性が向上した。
関連論文リスト
- 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) - Deep Polar Codes [19.265010348250897]
我々は、深度極性符号(deep polar code)と呼ばれる、事前変換された極性符号の新たなクラスを導入する。
まず、様々な大きさの多層極変換を利用するディープ・ポーラ・エンコーダを提案する。
我々の符号化法はレートプロファイリングの柔軟性を提供し、幅広いコードレートとブロック長を受け入れる。
論文 参考訳(メタデータ) (2023-08-06T03:29:18Z) - For One-Shot Decoding: Self-supervised Deep Learning-Based Polar Decoder [1.4964546566293881]
極性符号のワンショット復号を可能にする自己教師付き深層学習に基づく復号法を提案する。
提案手法では、ニューラルネットワーク(NN)をトレーニングするラベルとして情報ビットベクトルを使用する代わりに、NNは有界距離デコーダとして機能するように訓練される。
論文 参考訳(メタデータ) (2023-07-16T11:12:58Z) - Neural Belief Propagation Decoding of Quantum LDPC Codes Using
Overcomplete Check Matrices [60.02503434201552]
元のチェック行列における行の線形結合から生成された冗長な行を持つチェック行列に基づいてQLDPC符号を復号する。
このアプローチは、非常に低い復号遅延の利点を付加して、復号性能を著しく向上させる。
論文 参考訳(メタデータ) (2022-12-20T13:41:27Z) - CRISP: Curriculum based Sequential Neural Decoders for Polar Code Family [45.74928228858547]
我々は、新しい$textbfC$urtextbfRI$culumベースの$textbfS$equential neural decoder for $textbfP$olar codes (CRISP)を紹介する。
CRISPは、Polar(32,16)およびPolar(64,22)符号に対して、ほぼ最適の信頼性性能が得られることを示す。
CRISPはPolaization-Adjusted-Convolutional (PAC) コードに容易に拡張でき、既存のSCデコーダは信頼性が著しく低い。
論文 参考訳(メタデータ) (2022-10-01T16:26:24Z) - Scalable Polar Code Construction for Successive Cancellation List
Decoding: A Graph Neural Network-Based Approach [11.146177972345138]
本稿では、まず、極性符号を、極性符号構成メッセージパスグラフと呼ばれる異種グラフにマッピングする。
次に,極性コードに対応するPCCMPグラフの探索を目的とした,グラフニューラルネットワークに基づく反復的メッセージパッシングアルゴリズムを提案する。
数値実験により、IMPベースの極符号構造はCA-SCLデコードの下での古典的な構成よりも優れていた。
論文 参考訳(メタデータ) (2022-07-03T19:27:43Z) - KO codes: Inventing Nonlinear Encoding and Decoding for Reliable
Wireless Communication via Deep-learning [76.5589486928387]
ランドマークコードは、Reed-Muller、BCH、Convolution、Turbo、LDPC、Polarといった信頼性の高い物理層通信を支える。
本論文では、ディープラーニング駆動型(エンコーダ、デコーダ)ペアの計算効率の良いファミリーであるKO符号を構築する。
KO符号は最先端のリード・ミュラー符号と極符号を破り、低複雑さの逐次復号法で復号された。
論文 参考訳(メタデータ) (2021-08-29T21:08:30Z) - Fast Sketching of Polynomial Kernels of Polynomial Degree [61.83993156683605]
他のカーネルはしばしばテイラー級数展開を通じてカーネルによって近似されるので、カーネルは特に重要である。
スケッチの最近の技術は、カーネルの$q$という難解な程度に実行時間に依存することを減らしている。
我々は、この実行時間を大幅に改善する新しいスケッチを、先頭の注文項で$q$への依存を取り除くことで提供します。
論文 参考訳(メタデータ) (2021-08-21T02:14:55Z)
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。