Fugu-MT 論文翻訳(概要): Learning Robust Representations for Communications over Noisy Channels

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

arxiv url: http://arxiv.org/abs/2409.01129v2
Date: Sat, 7 Sep 2024 12:42:27 GMT
ステータス: 処理完了
システム内更新日: 2024-09-10 22:55:38.384158
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: この研究は情報理論と機械学習のツールにのみ依存している。本研究では, 電力制約下での伝送の堅牢な表現を生成するために, 相互情報に基づく様々なコスト関数を用いることによる影響について検討する。
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: We explore the use of FCNNs (Fully Connected Neural Networks) for designing end-to-end communication systems without taking any inspiration from existing classical communications models or error control coding. This work relies solely on the tools of information theory and machine learning. We investigate the impact of using various cost functions based on mutual information and pairwise distances between codewords to generate robust representations for transmission under strict power constraints. Additionally, we introduce a novel encoder structure inspired by the Barlow Twins framework. Our results show that iterative training with randomly chosen noise power levels while minimizing block error rate provides the best error performance.
Abstract（参考訳）: 既存の古典的通信モデルやエラー制御符号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設計するためのFCNN(Fully Connected Neural Networks)の利用について検討する。この研究は情報理論と機械学習のツールにのみ依存している。本研究は,厳密な電力制約下での送信のためのロバスト表現を生成するために,コードワード間の相互情報とペア距離に基づいて,様々なコスト関数を用いることによ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。その結果,ブロック誤り率を最小限に抑えつつ,ランダムに選択した雑音パワーレベルを反復的に学習することで,最高のエラー性能が得られることがわかった。

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。