Fugu-MT 論文翻訳(概要): Near-Field Spot Beamfocusing: A Correlation-Aware Transfer Learning Approach

論文の概要: Near-Field Spot Beamfocusing: A Correlation-Aware Transfer Learning Approach

arxiv url: http://arxiv.org/abs/2405.19347v1
Date: Tue, 21 May 2024 06:27:07 GMT
ステータス: 処理完了
システム内更新日: 2024-06-02 14:20:20.413065
Title: Near-Field Spot Beamfocusing: A Correlation-Aware Transfer Learning Approach
Title（参考訳）: 近接場スポットビームフォーカス:相関型移動学習手法
Authors: Mohammad Amir Fallah, Mehdi Monemi, Mehdi Rasti, Matti Latva-Aho,
Abstract要約: 3次元スポットビームフォーカス(SBF)は、近距離領域の放射状領域と角状領域において、非常に小さな体積内で放射力を集中する。チャネル状態情報(CSI)に依存しない機械学習(ML)に基づく手法の実装が,超大規模プログラマブルミータサーフェス(ELPM)を用いた実効SBFのために開発されている。本稿では、ELPMを用いた近接場SBFについて検討し、サブアレイの独立トレーニングによる長大なトレーニング時間に関連する課題に対処する。
参考スコア（独自算出の注目度）: 9.849635250118912
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: 3D spot beamfocusing (SBF), in contrast to conventional angular-domain beamforming, concentrates radiating power within very small volume in both radial and angular domains in the near-field zone. Recently the implementation of channel-state-information (CSI)-independent machine learning (ML)-based approaches have been developed for effective SBF using extremely-largescale-programable-metasurface (ELPMs). These methods involve dividing the ELPMs into subarrays and independently training them with Deep Reinforcement Learning to jointly focus the beam at the Desired Focal Point (DFP). This paper explores near-field SBF using ELPMs, addressing challenges associated with lengthy training times resulting from independent training of subarrays. To achieve a faster CSIindependent solution, inspired by the correlation between the beamfocusing matrices of the subarrays, we leverage transfer learning techniques. First, we introduce a novel similarity criterion based on the Phase Distribution Image of subarray apertures. Then we devise a subarray policy propagation scheme that transfers the knowledge from trained to untrained subarrays. We further enhance learning by introducing Quasi-Liquid-Layers as a revised version of the adaptive policy reuse technique. We show through simulations that the proposed scheme improves the training speed about 5 times. Furthermore, for dynamic DFP management, we devised a DFP policy blending process, which augments the convergence rate up to 8-fold.
Abstract（参考訳）: 3次元スポットビームフォーカス(SBF)は、従来の角領域ビームフォーミングとは対照的に、近距離領域の放射状領域と角状領域の両方において、非常に小さな体積内で放射力を集中させる。近年,チャネル状態情報(CSI)に依存しない機械学習(ML)ベースの手法の実装が,超大規模プログラマブルミータサーフェス(ELPM)を用いた効果的なSBFのために開発されている。これらの手法は、ELPMをサブアレイに分割し、Desired Focal Point (DFP) にビームを集中させるために、Deep Reinforcement Learningと独立に訓練する。本稿では、ELPMを用いた近接場SBFについて検討し、サブアレイの独立トレーニングによる長大なトレーニング時間に関連する課題に対処する。サブアレイのビーム焦点行列間の相関から着想を得た高速なCSI非依存解を実現するために,転送学習技術を利用する。まず,サブアレイ開口の位相分布画像に基づく新しい類似度基準を提案する。そして、訓練されたサブアレイから訓練されていないサブアレイへ知識を伝達するサブアレイポリシー伝搬スキームを考案する。適応政策再利用手法の改訂版として準液層を導入することで学習をさらに強化する。提案手法がトレーニング速度を約5倍改善することを示す。さらに,動的DFP管理のために,コンバージェンス率を最大8倍に向上するDFPポリシーブレンディング法を考案した。

関連論文リスト

Bayesian Diffusion Models for 3D Shape Reconstruction [54.69889488052155]
本稿では,トップダウン(優先)情報をボトムアップ(データ駆動)手順と密結合することにより,効果的なベイズ推定を行う予測アルゴリズムを提案する。 3次元形状復元作業におけるBDMの有効性を示す。
論文参考訳（メタデータ） (2024-03-11T17:55:53Z)
Learning Spatially-Continuous Fiber Orientation Functions [1.4504054468850665]
低分解能拡散強調画像から空間連続繊維配向密度関数を学習するFENRIを提案する。我々はFENRIが現実的な低品質データから高分解能繊維配向を正確に予測できることを実証した。
論文参考訳（メタデータ） (2023-12-10T01:28:47Z)
Stochastic Unrolled Federated Learning [85.6993263983062]
本稿では,UnRolled Federated Learning (SURF)を導入する。提案手法は,この拡張における2つの課題,すなわち,非学習者へのデータセット全体の供給の必要性と,フェデレート学習の分散的性質に対処する。
論文参考訳（メタデータ） (2023-05-24T17:26:22Z)
Deep Learning and Image Super-Resolution-Guided Beam and Power Allocation for mmWave Networks [80.37827344656048]
我々は,ミリ波(mmWave)ネットワークのためのディープラーニング(DL)誘導ハイブリッドビームとパワーアロケーションアプローチを開発した。教師付き学習と超解像技術の相乗効果を利用して、低オーバヘッドビームとパワーアロケーションを実現する。
論文参考訳（メタデータ） (2023-05-08T05:40:54Z)
A DeepParticle method for learning and generating aggregation patterns in multi-dimensional Keller-Segel chemotaxis systems [3.6184545598911724]
ケラー・セガル (KS) ケモタキシー系の2次元および3次元における凝集パターンと近傍特異解の正則化相互作用粒子法について検討した。さらに,物理パラメータの異なる解を学習し,生成するためのDeepParticle (DP) 法を開発した。
論文参考訳（メタデータ） (2022-08-31T20:52:01Z)
Parallel Successive Learning for Dynamic Distributed Model Training over Heterogeneous Wireless Networks [50.68446003616802]
フェデレートラーニング(Federated Learning, FedL)は、一連の無線デバイスにモデルトレーニングを配布する一般的なテクニックとして登場した。我々は,FedLアーキテクチャを3次元に拡張した並列逐次学習(PSL)を開発した。我々の分析は、分散機械学習におけるコールド対ウォームアップモデルの概念とモデル慣性について光を当てている。
論文参考訳（メタデータ） (2022-02-07T05:11:01Z)
Fed-LAMB: Layerwise and Dimensionwise Locally Adaptive Optimization Algorithm [24.42828071396353]
FL(Federated Learning)の新たなパラダイムでは、モバイルデバイスなどの大量のクライアントが、それぞれのデータに基づいてトレーニングされている。低帯域幅のため、分散最適化手法は計算負荷をそれらのクライアントからサーバにシフトさせる必要がある。我々は階層的なディープニューラルネットワークに基づく新しい学習手法であるFed-LAMBを提案する。
論文参考訳（メタデータ） (2021-10-01T16:54:31Z)
Data-efficient Alignment of Multimodal Sequences by Aligning Gradient Updates and Internal Feature Distributions [36.82512331179322]
近年の研究では、異なるモダリティを扱うネットワークコンポーネントが、異なる速度でオーバーフィットし、一般化し、トレーニングの難しさを生んでいることが示唆されている。本稿では,各層における勾配更新の規模を調整し,学習速度のバランスをとるため,LARS(Layer-wise Adaptive Rate Scaling)を提案する。また、シーケンスワイドバッチ正規化(SBN)を用いて、内部の特徴分布を異なるモードから整列する。
論文参考訳（メタデータ） (2020-11-15T13:04:25Z)
Solving Sparse Linear Inverse Problems in Communication Systems: A Deep Learning Approach With Adaptive Depth [51.40441097625201]
疎信号回復問題に対するエンドツーエンドの訓練可能なディープラーニングアーキテクチャを提案する。提案手法は,出力するレイヤ数を学習し,各タスクのネットワーク深さを推論フェーズで動的に調整する。
論文参考訳（メタデータ） (2020-10-29T06:32:53Z)
Distributed Uplink Beamforming in Cell-Free Networks Using Deep Reinforcement Learning [25.579612460904873]
本稿では,集中処理,半分散処理,完全分散処理を備えたアップリンクセルフリーネットワークのためのビームフォーミング手法を提案する。分散ビームフォーミング手法は,小規模ネットワークのみを対象とした集中学習によるDDPGアルゴリズムよりも優れていた。
論文参考訳（メタデータ） (2020-06-26T17:54:34Z)
An Ode to an ODE [78.97367880223254]
我々は、O(d) 群上の行列フローに応じて主フローの時間依存パラメータが進化する ODEtoODE と呼ばれるニューラルODE アルゴリズムの新しいパラダイムを提案する。この2つの流れのネストされたシステムは、訓練の安定性と有効性を提供し、勾配の消滅・爆発問題を確実に解決する。
論文参考訳（メタデータ） (2020-06-19T22:05:19Z)

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。