論文の概要: Enhancing Channel Estimation in Quantized Systems with a Generative Prior
- arxiv url: http://arxiv.org/abs/2405.03542v1
- Date: Fri, 26 Apr 2024 09:27:59 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-12 15:50:33.689246
- Title: Enhancing Channel Estimation in Quantized Systems with a Generative Prior
- Title（参考訳）: 生成前の量子化システムにおけるチャネル推定の強化
- Authors: Benedikt Fesl, Aziz Banna, Wolfgang Utschick,
- Abstract要約: 本稿では,ガウス混合モデル(GMM)を前駆体として利用し,伝搬環境のチャネル分布を推定する。
提案手法は,高分解能システムへの適応性を示す。
- 参考スコア（独自算出の注目度）: 9.486021754040483
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Channel estimation in quantized systems is challenging, particularly in low-resolution systems. In this work, we propose to leverage a Gaussian mixture model (GMM) as generative prior, capturing the channel distribution of the propagation environment, to enhance a classical estimation technique based on the expectation-maximization (EM) algorithm for one-bit quantization. Thereby, a maximum a posteriori (MAP) estimate of the most responsible mixture component is inferred for a quantized received signal, which is subsequently utilized in the EM algorithm as side information. Numerical results demonstrate the significant performance improvement of our proposed approach over both a simplistic Gaussian prior and current state-of-the-art channel estimators. Furthermore, the proposed estimation framework exhibits adaptability to higher resolution systems and alternative generative priors.
- Abstract（参考訳）: 量子化システムにおけるチャネル推定は、特に低解像度システムでは困難である。
本研究では,1ビット量子化のための期待最大化(EM)アルゴリズムに基づく古典的推定手法を改良するため,ガウス混合モデル(GMM)を前駆体として,伝搬環境のチャネル分布を捉えることを提案する。
これにより、量子化された受信信号に対して、最も責任のある混合成分の最大後部推定(MAP)を推定し、その後、EMアルゴリズムでサイド情報として利用する。
数値計算により, 単純ガウス事前推定と最先端チャネル推定の双方に対して, 提案手法の大幅な性能向上が示された。
さらに,提案手法は,高分解能システムへの適応性を示す。
関連論文リスト
- Bayesian Deep Learning Via Expectation Maximization and Turbo Deep Approximate Message Passing [14.053914547665718]
メッセージパッシングに基づくEM-TDAMPと呼ばれるベイズ深層学習アルゴリズムを提案する。
本稿では,ボストンの住宅価格予測と手書き文字認識へのEM-TDAMPの適用について詳述する。
論文 参考訳（メタデータ） (2024-02-12T01:47:06Z) - Domain Generalization Guided by Gradient Signal to Noise Ratio of
Parameters [69.24377241408851]
ソースドメインへのオーバーフィッティングは、ディープニューラルネットワークの勾配に基づくトレーニングにおいて一般的な問題である。
本稿では,ネットワークパラメータの勾配-信号-雑音比(GSNR)を選択することを提案する。
論文 参考訳（メタデータ） (2023-10-11T10:21:34Z) - Quantized Compressed Sensing with Score-Based Generative Models [6.066320781596792]
我々は、SGM(QCS-SGM)を用いた量子化圧縮センシングと呼ばれる教師なしのデータ駆動方式を提案する。
提案したQCS-SGMは、分布内および分布外の両方において、既存の最先端アルゴリズムよりも大幅に優れている。
後部サンプリング法として、QCS-SGMは、再構成結果の信頼区間や不確実性推定を得るために容易に使用できる。
論文 参考訳（メタデータ） (2022-11-02T15:19:07Z) - Optimization of Annealed Importance Sampling Hyperparameters [77.34726150561087]
Annealed Importance Smpling (AIS) は、深層生成モデルの難易度を推定するために使われる一般的なアルゴリズムである。
本稿では、フレキシブルな中間分布を持つパラメータAISプロセスを提案し、サンプリングに少ないステップを使用するようにブリッジング分布を最適化する。
我々は, 最適化AISの性能評価を行い, 深部生成モデルの限界推定を行い, 他の推定値と比較した。
論文 参考訳（メタデータ） (2022-09-27T07:58:25Z) - Large-Scale Sequential Learning for Recommender and Engineering Systems [91.3755431537592]
本稿では,現在の状況に適応してパーソナライズされたランキングを提供する自動アルゴリズムの設計に焦点を当てる。
前者はSAROSと呼ばれる新しいアルゴリズムを提案し,インタラクションの順序を学習するためのフィードバックの種類を考慮に入れている。
提案手法は, 電力網の故障検出に対する初期アプローチと比較して, 統計的に有意な結果を示す。
論文 参考訳（メタデータ） (2022-05-13T21:09:41Z) - Quantum Algorithm for DOA Estimation in Hybrid Massive MIMO [1.7404865362620803]
アレイ信号処理における到着方向推定(DOA)は重要な研究領域である。
本稿では,MUSICに基づくDOA推定のための量子アルゴリズムを提案する。
提案アルゴリズムは, パラメータの指数的な高速化と, 穏やかな条件下での高速化を実現する。
論文 参考訳（メタデータ） (2021-02-08T02:15:07Z) - Plug-And-Play Learned Gaussian-mixture Approximate Message Passing [71.74028918819046]
そこで本研究では,従来のi.i.d.ソースに適した圧縮圧縮センシング(CS)リカバリアルゴリズムを提案する。
我々のアルゴリズムは、Borgerdingの学習AMP(LAMP)に基づいて構築されるが、アルゴリズムに普遍的な復調関数を採用することにより、それを大幅に改善する。
数値評価により,L-GM-AMPアルゴリズムは事前の知識を必要とせず,最先端の性能を実現する。
論文 参考訳（メタデータ） (2020-11-18T16:40:45Z) - A Dynamical Systems Approach for Convergence of the Bayesian EM
Algorithm [59.99439951055238]
我々は、(離散時間)リアプノフ安定性理論が、必ずしも勾配ベースではない最適化アルゴリズムの分析(および潜在的な設計)において、いかに強力なツールとして役立つかを示す。
本稿では,不完全データベイズフレームワークにおけるパラメータ推定を,MAP-EM (maximum a reari expectation-maximization) と呼ばれる一般的な最適化アルゴリズムを用いて行うことに着目したML問題について述べる。
高速収束(線形あるいは二次的)が達成され,S&Cアプローチを使わずに発表することが困難であった可能性が示唆された。
論文 参考訳（メタデータ） (2020-06-23T01:34:18Z) - Iterative Algorithm Induced Deep-Unfolding Neural Networks: Precoding
Design for Multiuser MIMO Systems [59.804810122136345]
本稿では,AIIDNN(ディープ・アンフォールディング・ニューラルネット)を一般化した,ディープ・アンフォールディングのためのフレームワークを提案する。
古典的重み付き最小二乗誤差(WMMSE)反復アルゴリズムの構造に基づく効率的なIAIDNNを提案する。
提案したIAIDNNは,計算複雑性を低減した反復WMMSEアルゴリズムの性能を効率よく向上することを示す。
論文 参考訳（メタデータ） (2020-06-15T02:57:57Z)
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。