論文の概要: Online Optimization for Learning to Communicate over Time-Correlated Channels

• arxiv url: http://arxiv.org/abs/2409.00575v1
• Date: Sun, 1 Sep 2024 01:28:53 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-06 13:43:27.643865
• Title: Online Optimization for Learning to Communicate over Time-Correlated Channels
• Title（参考訳）: 時間的関連チャンネル上でのコミュニケーション学習のためのオンライン最適化
• Authors: Zheshun Wu, Junfan Li, Zenglin Xu, Sumei Sun, Jie Liu,
• Abstract要約: 本研究では,時間関連チャネル上でのコミュニケーション学習におけるオンライン最適化問題について検討する。 楽観的なオンラインミラー降下フレームワークに基づく2つのオンライン最適化アルゴリズムを開発した。 提案手法は,学習システムの予測誤差確率に基づいて線形後悔を導出することで理論的に保証する。
• 参考スコア（独自算出の注目度）: 36.042709241525706
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Machine learning techniques have garnered great interest in designing communication systems owing to their capacity in tacking with channel uncertainty. To provide theoretical guarantees for learning-based communication systems, some recent works analyze generalization bounds for devised methods based on the assumption of Independently and Identically Distributed (I.I.D.) channels, a condition rarely met in practical scenarios. In this paper, we drop the I.I.D. channel assumption and study an online optimization problem of learning to communicate over time-correlated channels. To address this issue, we further focus on two specific tasks: optimizing channel decoders for time-correlated fading channels and selecting optimal codebooks for time-correlated additive noise channels. For utilizing temporal dependence of considered channels to better learn communication systems, we develop two online optimization algorithms based on the optimistic online mirror descent framework. Furthermore, we provide theoretical guarantees for proposed algorithms via deriving sub-linear regret bound on the expected error probability of learned systems. Extensive simulation experiments have been conducted to validate that our presented approaches can leverage the channel correlation to achieve a lower average symbol error rate compared to baseline methods, consistent with our theoretical findings.
• Abstract（参考訳）: 機械学習技術は、チャネルの不確実性に対処する能力のため、コミュニケーションシステムを設計することに大きな関心を寄せている。 学習に基づく通信システムに関する理論的保証を提供するため、近年のいくつかの研究は、独立性および独立性のある分散チャネル(I.I.D.)の仮定に基づいて、考案された手法の一般化境界を解析した。 本稿では,I.I.D.チャネルの仮定を廃止し,時間関連チャネル上での通信学習におけるオンライン最適化問題について検討する。 この問題に対処するために、時間関連フェーディングチャネルにチャネルデコーダを最適化し、時間関連付加雑音チャネルに最適なコードブックを選択するという2つの特定のタスクに焦点を当てる。 検討されたチャネルの時間的依存を利用して通信システムをよりよく学習するために,楽観的なオンラインミラー降下フレームワークに基づく2つのオンライン最適化アルゴリズムを開発した。 さらに,学習システムの予測誤り確率に縛られたサブ線形後悔を導出することで,提案アルゴリズムの理論的保証を提供する。 提案手法がチャネル相関を利用して,ベースライン法よりも低い平均シンボル誤差率を達成できることを示すため,広範囲なシミュレーション実験が実施されている。

関連論文リスト

• Modeling of Time-varying Wireless Communication Channel with Fading and Shadowing [0.0]
  本稿では,ディープラーニングニューラルネットワークと混合密度ネットワークモデルを組み合わせて,受信電力の条件付き確率密度関数を導出する手法を提案する。 経路損失とノイズを伴う中上フェーディングチャネルモデルと対数正規シャドーイングチャネルモデルの実験により、新しいアプローチは従来のディープラーニングベースチャネルモデルよりも統計的に正確で、高速で、より堅牢であることが示された。
  論文  参考訳（メタデータ） (2024-05-13T21:30:50Z)
• An Efficient Machine Learning-based Channel Prediction Technique for OFDM Sub-Bands [0.0]
  我々はOFDMサブバンドにおけるチャネル予測のための効率的な機械学習(ML)に基づく手法を提案する。 提案手法の新規性は、選択的なフェーディングにおける将来のチャネル挙動を推定するために使用されるチャネルフェーディングサンプルのトレーニングにある。
  論文  参考訳（メタデータ） (2023-05-31T09:41:27Z)
• Learning to Precode for Integrated Sensing and Communications Systems [11.689567114100514]
  我々はISACシステムのための送信プリコーダを設計するための教師なし学習ニューラルモデルを提案する。 提案手法は,チャネル推定誤差が存在する場合,従来の最適化手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-03-11T11:24:18Z)
• Semantic Communication Enabling Robust Edge Intelligence for Time-Critical IoT Applications [87.05763097471487]
  本稿では、時間クリティカルなIoTアプリケーションのためのセマンティック通信を用いて、堅牢なエッジインテリジェンスを設計することを目的とする。 本稿では,画像DCT係数が推定精度に与える影響を解析し,オフロードのためのチャネル非依存の有効性符号化を提案する。
  論文  参考訳（メタデータ） (2022-11-24T20:13:17Z)
• Finite-Time Consensus Learning for Decentralized Optimization with Nonlinear Gossiping [77.53019031244908]
  本稿では,非線形ゴシップ(NGO)に基づく分散学習フレームワークを提案する。 コミュニケーション遅延とランダム化チャットが学習にどう影響するかを解析することで,実践的なバリエーションの導出が可能となる。
  論文  参考訳（メタデータ） (2021-11-04T15:36:25Z)
• Learning to Perform Downlink Channel Estimation in Massive MIMO Systems [72.76968022465469]
  大規模マルチインプット・マルチアウトプット(MIMO)システムにおけるダウンリンク(DL)チャネル推定について検討する。 一般的なアプローチは、チャネル硬化によって動機付けられた推定値として平均値を使用することである。 本稿では2つの新しい推定法を提案する。
  論文  参考訳（メタデータ） (2021-09-06T13:42:32Z)
• Channel Estimation via Successive Denoising in MIMO OFDM Systems: A Reinforcement Learning Approach [23.57305243608369]
  本稿では,強化学習フレームワークに基づく周波数領域の復調手法を提案する。 我々のアルゴリズムは、実用最小二乗推定法(LS)よりも大幅に改善されている。
  論文  参考訳（メタデータ） (2021-01-25T18:33:54Z)
• Deep Multi-Task Learning for Cooperative NOMA: System Design and Principles [52.79089414630366]
  我々は,近年のディープラーニング(DL)の進歩を反映した,新しいディープ・コラボレーティブなNOMAスキームを開発する。 我々は,システム全体を包括的に最適化できるように,新しいハイブリッドカスケードディープニューラルネットワーク(DNN)アーキテクチャを開発した。
  論文  参考訳（メタデータ） (2020-07-27T12:38:37Z)
• Decentralized Learning for Channel Allocation in IoT Networks over Unlicensed Bandwidth as a Contextual Multi-player Multi-armed Bandit Game [134.88020946767404]
  本稿では,プライマリセルネットワークにライセンスされたスペクトルに基づいて,アドホックなモノのインターネットネットワークにおける分散チャネル割り当て問題について検討する。 本研究では,この問題をコンテキスト型マルチプレイヤー・マルチアームバンディットゲームにマッピングし,試行錯誤による純粋に分散化された3段階ポリシー学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-03-30T10:05:35Z)
• Learning-Based Link Scheduling in Millimeter-wave Multi-connectivity Scenarios [15.890587444719081]
  信頼性の高い通信を提供するための,有望なソリューションとして,マルチコネクションが登場している。 学習に基づく解法が最適に近づき,ベースライン法より優れていることを示す。
  論文  参考訳（メタデータ） (2020-03-02T12:42:21Z)

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。