論文の概要: Universal Auto-encoder Framework for MIMO CSI Feedback

• arxiv url: http://arxiv.org/abs/2403.00299v1
• Date: Fri, 1 Mar 2024 05:57:08 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-05 18:07:05.737687
• Title: Universal Auto-encoder Framework for MIMO CSI Feedback
• Title（参考訳）: MIMO CSIフィードバックのためのユニバーサルオートエンコーダフレームワーク
• Authors: Jinhyun So, Hyukjoon Kwon
• Abstract要約: 実世界のシナリオでは、入力と出力のサイズはBSとUEのアンテナ数によって異なる可能性がある。 異なる入力サイズと出力サイズをサポートする単純なアプローチは複数のAEモデルを使用することであり、UEでは実用的ではない。 本稿では,異なる入力サイズと複数圧縮比をサポート可能なユニバーサルAEフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 7.309007448410106
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing auto-encoder (AE)-based channel state information (CSI) frameworks have focused on a specific configuration of user equipment (UE) and base station (BS), and thus the input and output sizes of the AE are fixed. However, in the real-world scenario, the input and output sizes may vary depending on the number of antennas of the BS and UE and the allocated resource block in the frequency dimension. A naive approach to support the different input and output sizes is to use multiple AE models, which is impractical for the UE due to the limited HW resources. In this paper, we propose a universal AE framework that can support different input sizes and multiple compression ratios. The proposed AE framework significantly reduces the HW complexity while providing comparable performance in terms of compression ratio-distortion trade-off compared to the naive and state-of-the-art approaches.
• Abstract（参考訳）: 既存の自動エンコーダ(AE)ベースのチャネル状態情報(CSI)フレームワークは、ユーザ機器(UE)と基地局(BS)の設定に重点を置いており、AEの入力および出力サイズが固定されている。 しかし、実世界のシナリオでは、入力と出力のサイズは、BSとUEのアンテナ数と周波数次元におけるリソースブロックの割り当て数によって異なる可能性がある。 異なる入力サイズと出力サイズをサポートする単純なアプローチは複数のAEモデルを使用することであり、これは限られたHWリソースのためにUEにとって実用的ではない。 本稿では,異なる入力サイズと複数圧縮比をサポート可能な汎用AEフレームワークを提案する。 提案するAEフレームワークは, 圧縮比歪みトレードオフの点で, 単純かつ最先端のアプローチと比較して, HW の複雑性を著しく低減する。

関連論文リスト

• Deep Autoencoder-based Z-Interference Channels with Perfect and Imperfect CSI [14.04355073946466]
  本稿では,Z-Interference Channel (ZIC) 上でのエンド・ツー・エンド・エンド通信のためのDeep Autoencoder (DAE) ベースの構造について述べる。 提案した構造は、2つのエンコーダ/デコーダペアを共同で最適化し、干渉強度に基づいてそれらの形状を動的に適応させてビット誤り率(BER)を最小化する干渉対応コンステレーションを生成する。 DAEには、平均的な電力制約を保証し、構造が一様でない星座を生成できるように、インフェーズ/クアクラチャ相(I/Q)の電力割り当て層が導入された。
  論文  参考訳（メタデータ） (2023-10-23T15:23:42Z)
• LAMBO: Large AI Model Empowered Edge Intelligence [71.56135386994119]
  次世代エッジインテリジェンスは、オフロード技術を通じて様々なアプリケーションに恩恵をもたらすことが期待されている。 従来のオフロードアーキテクチャは、不均一な制約、部分的な認識、不確実な一般化、トラクタビリティの欠如など、いくつかの問題に直面している。 我々は、これらの問題を解決するための10億以上のパラメータを持つLarge AI Model-Based Offloading (LAMBO)フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-08-29T07:25:42Z)
• A Weighted Autoencoder-Based Approach to Downlink NOMA Constellation Design [3.991584682799934]
  本研究では,AEトレーニングにおける重み付き損失関数を導入し,異なるユーザのエラー確率のバランスをとる。 達成可能なレベルの大幅な改善と、異なるユーザのエラー確率の柔軟な制御を示す。
  論文  参考訳（メタデータ） (2023-06-23T10:19:31Z)
• Automated Audio Captioning via Fusion of Low- and High- Dimensional Features [48.62190893209622]
  既存のAAC法では、PANNの高次元表現のみをデコーダの入力として用いている。 新たなエンコーダデコーダフレームワークであるLow- and High-dimensional Feature Fusion (LHDFF)モデルが提案されている。 LHDFFは、他の既存のモデルと比較して、ClothoとAudioCapsデータセット上で最高のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2022-10-10T22:39:41Z)
• Learned Video Compression via Heterogeneous Deformable Compensation Network [78.72508633457392]
  不安定な圧縮性能の問題に対処するために,不均一変形補償戦略(HDCVC)を用いた学習ビデオ圧縮フレームワークを提案する。 より具体的には、提案アルゴリズムは隣接する2つのフレームから特徴を抽出し、コンテンツ近傍の不均一な変形(HetDeform)カーネルオフセットを推定する。 実験結果から,HDCVCは最近の最先端の学習ビデオ圧縮手法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2022-07-11T02:31:31Z)
• Reducing Redundancy in the Bottleneck Representation of the Autoencoders [98.78384185493624]
  オートエンコーダは教師なしニューラルネットワークの一種であり、様々なタスクを解くのに使用できる。 本稿では,ボトルネック表現における特徴冗長性を明示的に罰する手法を提案する。 我々は,3つの異なるデータセットを用いた次元削減,MNISTデータセットを用いた画像圧縮,ファッションMNISTを用いた画像デノナイズという,さまざまなタスクにまたがってアプローチを検証した。
  論文  参考訳（メタデータ） (2022-02-09T18:48:02Z)
• List Autoencoder: Towards Deep Learning Based Reliable Transmission Over Noisy Channels [3.609538870261841]
  本稿では、デコーダネットワークがデコードされたメッセージワード候補のリストを出力するAEフレームワークであるListAEを提案する。 本稿では,受信した単語を成分コード列上に復号化してレートを低下させる,特定のエンドツーエンドネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2021-12-19T03:26:20Z)
• FOVEA: Foveated Image Magnification for Autonomous Navigation [53.69803081925454]
  入力キャンバスを小さく保ちながら、ある領域を弾性的に拡大する注意的アプローチを提案する。 提案手法は,高速R-CNNより高速かつ微調整の少ない検出APを高速化する。 Argoverse-HD と BDD100K の自律走行データセットでは,提案手法が標準の高速 R-CNN を超越した検出APを微調整なしで促進することを示す。
  論文  参考訳（メタデータ） (2021-08-27T03:07:55Z)
• Neural Distributed Source Coding [59.630059301226474]
  相関構造に依存せず,高次元までスケール可能な損失DSCのためのフレームワークを提案する。 提案手法は,複数のデータセット上で評価し,複雑な相関関係と最先端PSNRを扱えることを示す。
  論文  参考訳（メタデータ） (2021-06-05T04:50:43Z)
• CDFI: Compression-Driven Network Design for Frame Interpolation [24.205673014182356]
  フレームサイズに対する圧縮駆動型ネットワーク設計を提案する。 10X圧縮AdaCoFモデルがオリジナルのモデルと同じ性能を示すことを示す。 私たちのモデルは、幅広いデータセットの他の最先端のものに対して有利に動作します。
  論文  参考訳（メタデータ） (2021-03-18T22:59:42Z)

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。