論文の概要: Learning Robust Representations for Communications over Noisy Channels

• arxiv url: http://arxiv.org/abs/2409.01129v1
• Date: Mon, 2 Sep 2024 10:07:32 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-06 07:26:52.382400
• Title: Learning Robust Representations for Communications over Noisy Channels
• Title（参考訳）: 雑音チャネル上の通信におけるロバスト表現の学習
• Authors: Sudharsan Senthil, Shubham Paul, Nambi Seshadri, R. David Koilpillai,
• Abstract要約: 本研究は,既存の古典モデルからインスピレーションを受けずに,エンドツーエンドの通信システムを学習するFCNNの可能性を探るものである。 本稿では,SNR(Signal to Noise Ratio)感度のトレーニングにおいてしばしば見落とされがちな問題に対処するトレーニング戦略を提案する。
• 参考スコア（独自算出の注目度）: 0.44998333629984877
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A deep learning (DL)-based communication system offers advantages over traditional mathematically modelled systems, as the former may be jointly optimized. FCNNs (Fully Connected Neural Networks) are common Deep Learning architectures. Though they are well known to solve optimization problems, existing literature suggests that they fail to learn robust representations for communication models. This work explores the potential of FCNNs to learn an end-to-end communication system without taking any inspiration from existing classical models. The study investigates the impact of imbibing domain knowledge by varying cost functions to generate robust representations of symbols under strict power constraints. Additionally, we introduce a novel encoder structure inspired by the Barlow Twins framework. Finally, we introduce a training strategy that addresses the often-overlooked issue of training Signal to Noise Ratio (SNR) sensitivity, highlighting its importance in communication systems. We demonstrate that such a method leads to more reliable models.
• Abstract（参考訳）: ディープラーニング(DL)ベースの通信システムは、従来の数学的モデル化システムよりも利点がある。 FCNN(Fully Connected Neural Networks)は、ディープラーニングアーキテクチャである。 最適化問題を解くことはよく知られているが、既存の文献では、通信モデルの堅牢な表現を学ばないことが示唆されている。 本研究は,既存の古典モデルからインスピレーションを受けずに,エンドツーエンドの通信システムを学習するFCNNの可能性を探るものである。 本研究は,厳密な電力制約の下でシンボルの堅牢な表現を生成するために,コスト関数の変動によるドメイン知識の付与が与える影響について検討する。 さらに,Barlow Twinsフレームワークにインスパイアされた新しいエンコーダ構造を導入する。 最後に,SNR(Signal to Noise Ratio)の感度について,しばしば見落とされがちな課題に対処し,通信システムにおけるその重要性を強調するトレーニング戦略を導入する。 このような手法がより信頼性の高いモデルを生み出すことを実証する。

関連論文リスト

• Knowledge Distillation Based Semantic Communications For Multiple Users [10.770552656390038]
  本稿では,複数のユーザを対象としたセマンティックコミュニケーション(SemCom)システムについて考察する。 本稿では,トランスフォーマーベースのエンコーダデコーダをセマンティックエンコーダデコーダとして実装し,チャネルエンコーダデコーダとして完全に接続されたニューラルネットワークを実装した知識蒸留(KD)システムを提案する。 数値計算の結果,KDは予期せぬ干渉に適用した場合のロバスト性や一般化能力を大幅に向上し,モデルサイズを圧縮した場合の性能損失を低減できることがわかった。
  論文  参考訳（メタデータ） (2023-11-23T03:28:14Z)
• Enhancing Multiple Reliability Measures via Nuisance-extended Information Bottleneck [77.37409441129995]
  トレーニングデータに制限がある現実的なシナリオでは、データ内の多くの予測信号は、データ取得のバイアスからより多く得る。 我々は,相互情報制約の下で,より広い範囲の摂動をカバーできる敵の脅威モデルを考える。 そこで本研究では,その目的を実現するためのオートエンコーダベーストレーニングと,提案したハイブリッド識別世代学習を促進するための実用的なエンコーダ設計を提案する。
  論文  参考訳（メタデータ） (2023-03-24T16:03:21Z)
• Spiking Neural Network Decision Feedback Equalization [70.3497683558609]
  決定フィードバック等化器(DFE)に似たフィードバック構造を持つSNNベースの等化器を提案する。 提案手法は,3種類の模範チャネルに対して,従来の線形等化器よりも明らかに優れていることを示す。 決定フィードバック構造を持つSNNは、競合エネルギー効率の良いトランシーバへのパスを可能にする。
  論文  参考訳（メタデータ） (2022-11-09T09:19:15Z)
• Bit Error and Block Error Rate Training for ML-Assisted Communication [18.341320787581836]
  一般に使われているバイナリクロスエントロピー(BCE)の損失は、未符号化システムでは妥当な選択であることを示す。 ブロック誤り率とSNR減重を最小化することを目的とした新しい損失関数を提案する。
  論文  参考訳（メタデータ） (2022-10-25T15:41:21Z)
• Graph Neural Networks for Channel Decoding [71.15576353630667]
  低密度パリティチェック(LDPC)やBCH符号など、様々な符号化方式の競合復号性能を示す。 ニューラルネットワーク(NN)は、与えられたグラフ上で一般化されたメッセージパッシングアルゴリズムを学習する。 提案するデコーダを,従来のチャネル復号法および最近のディープラーニングに基づく結果と比較した。
  論文  参考訳（メタデータ） (2022-07-29T15:29:18Z)
• Error Correction Code Transformer [92.10654749898927]
  本稿では,トランスフォーマーアーキテクチャを任意のブロック長で線形符号のソフトデコードに拡張することを提案する。 我々は,各チャネルの出力次元を高次元に符号化し,個別に処理すべきビット情報のより良い表現を行う。 提案手法は、トランスフォーマーの極端なパワーと柔軟性を示し、既存の最先端のニューラルデコーダを、その時間的複雑さのごく一部で大きなマージンで上回る。
  論文  参考訳（メタデータ） (2022-03-27T15:25:58Z)
• SignalNet: A Low Resolution Sinusoid Decomposition and Estimation Network [79.04274563889548]
  本稿では,正弦波数を検出するニューラルネットワークアーキテクチャであるSignalNetを提案する。 基礎となるデータ分布と比較して,ネットワークの結果を比較するための最悪の学習しきい値を導入する。 シミュレーションでは、我々のアルゴリズムは常に3ビットデータのしきい値を超えることができるが、しばしば1ビットデータのしきい値を超えることはできない。
  論文  参考訳（メタデータ） (2021-06-10T04:21:20Z)
• Capacity-Approaching Autoencoders for Communications [4.86067125387358]
  オートエンコーダを訓練する現在のアプローチは、クロスエントロピー損失関数の使用に依存している。 本稿では,チャネル容量の推定値を計算し,それに近づく最適な符号化信号を構築する手法を提案する。
  論文  参考訳（メタデータ） (2020-09-11T08:19:06Z)
• Suppress and Balance: A Simple Gated Network for Salient Object Detection [89.88222217065858]
  両問題を同時に解くための単純なゲートネットワーク(GateNet)を提案する。 多レベルゲートユニットの助けを借りて、エンコーダからの貴重なコンテキスト情報をデコーダに最適に送信することができる。 さらに,提案したFold-ASPP操作(Fold-ASPP)に基づくアトラス空間ピラミッドプーリングを用いて,様々なスケールのサリアンオブジェクトを正確に位置決めする。
  論文  参考訳（メタデータ） (2020-07-16T02:00:53Z)
• Infomax Neural Joint Source-Channel Coding via Adversarial Bit Flip [41.28049430114734]
  本稿では、ニューラルジョイント・ソース・チャネル符号化方式の安定性と堅牢性を改善するために、Infomax Adversarial-Bit-Flip (IABF) と呼ばれる新しい正規化手法を提案する。 我々のIABFは、圧縮と誤り訂正のベンチマークの両方で最先端のパフォーマンスを達成でき、ベースラインをかなりの差で上回ることができる。
  論文  参考訳（メタデータ） (2020-04-03T10:00:02Z)
• 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)

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。