論文の概要: Marrying Compressed Sensing and Deep Signal Separation
- arxiv url: http://arxiv.org/abs/2406.15623v1
- Date: Fri, 21 Jun 2024 20:00:34 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-25 21:24:18.081103
- Title: Marrying Compressed Sensing and Deep Signal Separation
- Title（参考訳）: マルチリング圧縮センシングと深部信号分離
- Authors: Truman Hickok, Sriram Nagaraj,
- Abstract要約: ブラインド信号分離(ブラインド信号分離、BSS)は、重要かつ困難な信号処理タスクである。
本稿では,圧縮的獲得とBSSの深層学習を組み合わせることで,完全獲得分離予測パイプラインを実現するか,という課題に対処する。
言い換えれば、BSSを圧縮的に取得した信号で直接実行し、信号を圧縮する必要がない。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Blind signal separation (BSS) is an important and challenging signal processing task. Given an observed signal which is a superposition of a collection of unknown (hidden/latent) signals, BSS aims at recovering the separate, underlying signals from only the observed mixed signal. As an underdetermined problem, BSS is notoriously difficult to solve in general, and modern deep learning has provided engineers with an effective set of tools to solve this problem. For example, autoencoders learn a low-dimensional hidden encoding of the input data which can then be used to perform signal separation. In real-time systems, a common bottleneck is the transmission of data (communications) to a central command in order to await decisions. Bandwidth limits dictate the frequency and resolution of the data being transmitted. To overcome this, compressed sensing (CS) technology allows for the direct acquisition of compressed data with a near optimal reconstruction guarantee. This paper addresses the question: can compressive acquisition be combined with deep learning for BSS to provide a complete acquire-separate-predict pipeline? In other words, the aim is to perform BSS on a compressively acquired signal directly without ever having to decompress the signal. We consider image data (MNIST and E-MNIST) and show how our compressive autoencoder approach solves the problem of compressive BSS. We also provide some theoretical insights into the problem.
- Abstract（参考訳）: ブラインド信号分離(ブラインド信号分離、BSS)は、重要かつ困難な信号処理タスクである。
未知の(隠れた/ラテントな)信号の集合の重ね合わせである観測信号が与えられたとき、BSSは観測された混合信号のみから分離された基礎的な信号を回復することを目的としている。
過度に決定された問題として、BSSは一般には解決が難しいことで知られており、現代のディープラーニングは、この問題を解決する効果的なツールセットをエンジニアに提供する。
例えば、オートエンコーダは入力データの低次元隠れ符号化を学習し、信号分離を行う。
リアルタイムシステムでは、決定を待つためにデータ(通信)を中央のコマンドに送信するのが一般的なボトルネックである。
帯域制限は送信されるデータの周波数と解像度を規定する。
これを解決するために、圧縮センシング(CS)技術は、ほぼ最適な復元保証を備えた圧縮データの直接取得を可能にする。
本稿では,圧縮的獲得とBSSの深層学習を組み合わせることで,完全獲得分離予測パイプラインを実現するか,という課題に対処する。
言い換えれば、BSSを圧縮的に取得した信号で直接実行し、信号を圧縮する必要がない。
我々は、画像データ(MNISTとE-MNIST)を考察し、圧縮的自己エンコーダアプローチが圧縮的BSSの問題を解決する方法を示す。
また、この問題に関する理論的洞察も提供します。
関連論文リスト
- Compression of Structured Data with Autoencoders: Provable Benefit of
Nonlinearities and Depth [83.15263499262824]
勾配勾配勾配は入力のスパース構造を完全に無視する解に収束することを示す。
浅層構造にデノナイジング関数を付加することにより,スパースデータの圧縮におけるガウス性能の改善方法を示す。
CIFAR-10 や MNIST などの画像データセットに対して,本研究の成果を検証した。
論文 参考訳（メタデータ） (2024-02-07T16:32:29Z) - Unrolled Compressed Blind-Deconvolution [77.88847247301682]
sparse multi channel blind deconvolution (S-MBD) はレーダー/ソナー/超音波イメージングなどの多くの工学的応用で頻繁に発生する。
そこで本研究では,受信した全信号に対して,はるかに少ない測定値からブラインドリカバリを可能にする圧縮手法を提案する。
論文 参考訳（メタデータ） (2022-09-28T15:16:58Z) - Prioritizing Corners in OoD Detectors via Symbolic String Manipulation [0.0]
本稿では,OoDモニタを系統的にテストすることで,入力データポイントがモニタによる非配布としてテストされる場合を回避する。
トレーニングデータセットから学習した超矩形結合により特徴空間を特徴付ける「分布内」の定義を考察する。
トレーニングセット内のすべてのデータポイントから、BDDを使って、シンボル的に遠くのコーナーを抽出する方法を示します。
論文 参考訳（メタデータ） (2022-05-16T14:56:56Z) - Signal Processing Based Deep Learning for Blind Symbol Decoding and
Modulation Classification [14.276414947868727]
信号の盲目的復号には、未知の送信パラメータを推定し、無線チャネルの障害を補償し、変調タイプを特定する必要がある。
本稿では、DSP操作の信号経路と、未知の送信パラメータを推定するニューラルネットワークの特徴経路からなる二重経路ネットワーク(DPN)を提案する。
論文 参考訳（メタデータ） (2021-06-19T18:00:31Z) - 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) - Heterogeneous Noisy Short Signal Camouflage in Multi-Domain Environment
Decision-Making [0.0]
画像や音声信号に変換することで,情報(センサ信号)を隠蔽する手法を提案する。
軍事近代化に向けた最新の試みの1つとして、インテリジェントな識別・検出操作を実現する上での課題について検討する。
論文 参考訳（メタデータ） (2021-06-02T22:59:58Z) - Neural Communication Systems with Bandwidth-limited Channel [9.332315420944836]
情報損失にもかかわらずメッセージを確実に送信することは情報理論の中核的な問題である。
本研究では,帯域幅制限チャネル(BWLC)を用いた符号化学習について検討する。
論文 参考訳（メタデータ） (2020-03-30T11:58:30Z) - A Compressive Sensing Approach for Federated Learning over Massive MIMO
Communication Systems [82.2513703281725]
フェデレートラーニング(Federated Learning)は、無線デバイスとのコラボレーションによって、中央サーバでグローバルモデルをトレーニングするための、プライバシ保護のアプローチである。
本稿では,大規模マルチインプット多出力通信システム上でのフェデレーション学習のための圧縮センシング手法を提案する。
論文 参考訳（メタデータ） (2020-03-18T05:56:27Z) - Multilinear Compressive Learning with Prior Knowledge [106.12874293597754]
マルチリニア圧縮学習(MCL)フレームワークは、マルチリニア圧縮センシングと機械学習をエンドツーエンドシステムに統合する。
MCLの背後にある主要なアイデアは、下流学習タスクの信号から重要な特徴を捉えることのできるテンソル部分空間の存在を仮定することである。
本稿では、上記の要件、すなわち、関心の信号が分離可能なテンソル部分空間をどうやって見つけるかという、2つの要件に対処する新しい解決策を提案する。
論文 参考訳（メタデータ） (2020-02-17T19:06:05Z) - DeepSIC: Deep Soft Interference Cancellation for Multiuser MIMO
Detection [98.43451011898212]
複数のシンボルが同時に送信されるマルチユーザマルチインプットマルチアウトプット(MIMO)設定では、正確なシンボル検出が困難である。
本稿では,DeepSICと呼ぶ反復ソフト干渉キャンセリング(SIC)アルゴリズムの,データ駆動による実装を提案する。
DeepSICは、チャネルを線形にすることなく、限られたトレーニングサンプルから共同検出を行うことを学ぶ。
論文 参考訳（メタデータ） (2020-02-08T18:31:00Z)
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。