論文の概要: DeepPolar: Inventing Nonlinear Large-Kernel Polar Codes via Deep Learning
- arxiv url: http://arxiv.org/abs/2402.08864v2
- Date: Wed, 5 Jun 2024 02:05:13 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-07 01:21:50.736513
- 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: 極性符号は、短期間のブロック長規則のための最先端の誤り訂正符号として登場した。
DeepPolarコードは、カーネルサイズを大きくし、これらのカーネルをパラメータ化し、ニューラルネットワークを介してデコーダにマッチさせることで、従来のPolarコーディングフレームワークを拡張している。
以上の結果から,これらのデータ駆動型コードは,既存のニューラルコードと従来のポラコードの両方と比較して,カーネルサイズが大きくなるというメリットを効果的に活用できることが示唆された。
- 参考スコア（独自算出の注目度）: 36.10365210143751
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Progress in designing channel codes has been driven by human ingenuity and, fittingly, has been sporadic. Polar codes, developed on the foundation of Arikan's polarization kernel, represent the latest breakthrough in coding theory and have emerged as the state-of-the-art error-correction code for short-to-medium block length regimes. In an effort to automate the invention of good channel codes, especially in this regime, we explore a novel, non-linear generalization of Polar codes, which we call DeepPolar codes. DeepPolar codes extend the conventional Polar coding framework by utilizing a larger kernel size and parameterizing these kernels and matched decoders through neural networks. Our results demonstrate that these data-driven codes effectively leverage the benefits of a larger kernel size, resulting in enhanced reliability when compared to both existing neural codes and conventional Polar codes.
- Abstract（参考訳）: チャネル符号の設計の進歩は人間の創造性によって推進され、適切には散発的である。
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、符号理論の最新のブレークスルーであり、短距離から中距離のブロック長系のための最先端の誤り訂正符号として登場した。
優れたチャネル符号の発明を自動化するため、特にこの体制において、我々は、DeepPolar符号と呼ばれる極性符号の新しい非線形一般化を探求する。
DeepPolarコードは、カーネルサイズを大きくし、これらのカーネルをパラメータ化し、ニューラルネットワークを介してデコーダにマッチさせることで、従来のPolarコーディングフレームワークを拡張している。
以上の結果から,これらのデータ駆動型コードは,既存のニューラルコードと従来のポラコードの両方と比較して,カーネルサイズが大きくなるというメリットを効果的に活用できることが示唆された。
関連論文リスト
- Factor Graph Optimization of Error-Correcting Codes for Belief Propagation Decoding [62.25533750469467]
低密度パリティ・チェック符号は、他の種類の符号よりもいくつかの利点がある。
提案手法は,既存の人気符号の復号性能を桁違いに向上させる。
論文 参考訳（メタデータ） (2024-06-09T12:08:56Z) - 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) - Flexible polar encoding for information reconciliation in QKD [2.627883025193776]
量子鍵分配(QKD)は、情報理論的に安全な共通秘密鍵を確立する。
一般に量子チャネルに対する敵の誘惑に起因すると考えられるエラーは、公開チャネル上の古典的な通信を用いて修正する必要がある。
信頼性シーケンスを導出し,デコーダの選択に依存しないエンコーダの設計に利用できることを示す。
論文 参考訳（メタデータ） (2023-11-30T16:01:10Z) - 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) - 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)
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。