Fugu-MT 論文翻訳(概要): Towards xAI: Configuring RNN Weights using Domain Knowledge for MIMO Receive Processing

論文の概要: Towards xAI: Configuring RNN Weights using Domain Knowledge for MIMO Receive Processing

arxiv url: http://arxiv.org/abs/2410.07072v1
Date: Wed, 9 Oct 2024 17:16:11 GMT
ステータス: 処理完了
システム内更新日: 2024-10-31 22:37:20.509138
Title: Towards xAI: Configuring RNN Weights using Domain Knowledge for MIMO Receive Processing
Title（参考訳）: XAIに向けて:MIMO受信処理のためのドメイン知識を用いたRNNウェイトの設定
Authors: Shashank Jere, Lizhong Zheng, Karim Said, Lingjia Liu,
Abstract要約: 我々は、無線通信の物理層における説明可能なAI(xAI)の分野を前進させる。私たちはその仕事に集中する。 MIMO-OFDMは、リザーブコンピューティング(RC)フレームワークを使用した処理(シンボル検出など)を受信する。リカレントニューラルネットワーク(RNN)の中で本稿では,信号処理をベースとした第1原理によるRCの動作の理解について述べる。
参考スコア（独自算出の注目度）: 19.995241682744567
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Deep learning is making a profound impact in the physical layer of wireless communications. Despite exhibiting outstanding empirical performance in tasks such as MIMO receive processing, the reasons behind the demonstrated superior performance improvement remain largely unclear. In this work, we advance the field of Explainable AI (xAI) in the physical layer of wireless communications utilizing signal processing principles. Specifically, we focus on the task of MIMO-OFDM receive processing (e.g., symbol detection) using reservoir computing (RC), a framework within recurrent neural networks (RNNs), which outperforms both conventional and other learning-based MIMO detectors. Our analysis provides a signal processing-based, first-principles understanding of the corresponding operation of the RC. Building on this fundamental understanding, we are able to systematically incorporate the domain knowledge of wireless systems (e.g., channel statistics) into the design of the underlying RNN by directly configuring the untrained RNN weights for MIMO-OFDM symbol detection. The introduced RNN weight configuration has been validated through extensive simulations demonstrating significant performance improvements. This establishes a foundation for explainable RC-based architectures in MIMO-OFDM receive processing and provides a roadmap for incorporating domain knowledge into the design of neural networks for NextG systems.
Abstract（参考訳）: 深層学習は、無線通信の物理的層に大きな影響を与えている。 MIMO受信処理などのタスクで優れた経験的性能を示したにもかかわらず、性能改善が示された理由はほとんど不明である。本研究では,信号処理原理を用いた無線通信の物理層における説明可能なAI(xAI)の分野を前進させる。具体的には、リカレントニューラルネットワーク(RNN)内のフレームワークである貯水池コンピューティング(RC)を用いたMIMO-OFDM受信処理(例えばシンボル検出)のタスクに着目し、従来のMIMO検出器と他の学習ベースのMIMO検出器より優れている。我々の分析は信号処理に基づく第一原理によるRCの動作の理解を提供する。この基本的な理解に基づいて、MIMO-OFDMシンボル検出のためにトレーニングされていないRNN重みを直接設定することで、無線システムのドメイン知識(チャネル統計など)を基礎となるRNNの設計に体系的に組み込むことができる。導入されたRNN重み設定は、大幅な性能改善を示す広範囲なシミュレーションを通じて検証されている。これにより、MIMO-OFDMの受信処理におけるRCベースのアーキテクチャの説明可能な基盤を確立し、NextGシステムのニューラルネットワーク設計にドメイン知識を組み込むロードマップを提供する。

関連論文リスト

RFI Detection with Spiking Neural Networks [25.08630315149258]
本研究では、スパイキングニューラルネットワーク(SNN)の天文学的データ処理タスク、特にRFI検出への最初の探索的応用について紹介する。 ANN2SNN変換によりSNN実行に最寄りのラテンネーブラーアルゴリズムとオートエンコーダアーキテクチャを適用する。我々のアプローチは、HERAデータセットのAUROC、AUPRC、F1の既存の手法と競合するが、LOFAR、Tabascalデータセットでは困難である。
論文参考訳（メタデータ） (2023-11-24T06:27:08Z)
Towards Explainable Machine Learning: The Effectiveness of Reservoir Computing in Wireless Receive Processing [21.843365090029987]
本稿では,Reservoir Computing (RC) と呼ばれる一般的な学習手法を適用し,チャネル等化の具体的課題について検討する。 RCは従来の手法や学習に基づく手法に比べて優れた性能を示した。また,これをシミュレーションにより最適化することにより,受信処理/シンボル検出性能の向上を示す。
論文参考訳（メタデータ） (2023-10-08T00:44:35Z)
Learning with Multigraph Convolutional Filters [153.20329791008095]
MSPモデルに基づいて情報を処理する階層構造として多グラフ畳み込みニューラルネットワーク(MGNN)を導入する。また,MGNNにおけるフィルタ係数のトラクタブルな計算手法と,レイヤ間で転送される情報の次元性を低減するための低コストな手法を開発した。
論文参考訳（メタデータ） (2022-10-28T17:00:50Z)
Signal Detection in MIMO Systems with Hardware Imperfections: Message Passing on Neural Networks [101.59367762974371]
本稿では,Multi-Input-multiple-output (MIMO)通信システムにおける信号検出について検討する。パイロット信号が限られているディープニューラルネットワーク(DNN)のトレーニングは困難であり、実用化を妨げている。我々は、ユニタリ近似メッセージパッシング(UAMP)アルゴリズムを利用して、効率的なメッセージパッシングに基づくベイズ信号検出器を設計する。
論文参考訳（メタデータ） (2022-10-08T04:32:58Z)
Detect to Learn: Structure Learning with Attention and Decision Feedback for MIMO-OFDM Receive Processing [25.66317464603635]
本稿では、パイロットシンボルを効率的に利用し、検出されたペイロードデータで動的に更新できるオンラインアテンションベースのアプローチであるRC-AttStructNet-DFを提案する。 DF機構は、検出されたデータシンボルを介してチャネル変化を動的に追跡することにより、検出性能をさらに向上する。
論文参考訳（メタデータ） (2022-08-17T20:01:05Z)
Model-based Deep Learning Receiver Design for Rate-Splitting Multiple Access [65.21117658030235]
本研究では,モデルベース深層学習(MBDL)に基づく実用的なRSMA受信機の設計を提案する。 MBDL受信機は、符号なしシンボル誤り率(SER)、リンクレベルシミュレーション(LLS)によるスループット性能、平均トレーニングオーバーヘッドの観点から評価される。その結果,MBDLはCSIRが不完全なSIC受信機よりも優れていた。
論文参考訳（メタデータ） (2022-05-02T12:23:55Z)
Learning to Estimate RIS-Aided mmWave Channels [50.15279409856091]
そこでは,観測観測のために,既知の基地局とRIS位相制御行列を併用したアップリンクチャネル推定手法を提案する。推定性能を向上し, トレーニングオーバーヘッドを低減するため, 深部展開法において, mmWaveチャネルの固有チャネル幅を生かした。提案したディープ・アンフォールディング・ネットワーク・アーキテクチャは,トレーニングオーバーヘッドが比較的小さく,オンライン計算の複雑さも比較的小さく,最小二乗法(LS)法より優れていることが確認された。
論文参考訳（メタデータ） (2021-07-27T06:57:56Z)
A SAR speckle filter based on Residual Convolutional Neural Networks [68.8204255655161]
本研究では,Convolutional Neural Networks(CNN)に基づく深層学習(DL)アルゴリズムを用いて,Sentinel-1データからスペックルノイズをフィルタリングする新しい手法を提案する。得られた結果は、技術の現状と比較すると、ピーク信号対雑音比(PSNR)と構造類似度指数(SSIM)の点で明確な改善を示しています。
論文参考訳（メタデータ） (2021-04-19T14:43:07Z)
LoRD-Net: Unfolded Deep Detection Network with Low-Resolution Receivers [104.01415343139901]
本稿では,1ビット計測から情報シンボルを復元する「LoRD-Net」というディープ検出器を提案する。 LoRD-Netは、関心のシグナルを回復するためのタスクベースのアーキテクチャである。無線通信における1ビット信号回復のためのレシーバアーキテクチャの評価を行った。
論文参考訳（メタデータ） (2021-02-05T04:26:05Z)
Learning with Knowledge of Structure: A Neural Network-Based Approach for MIMO-OFDM Detection [33.46816493359834]
シンボル検出に対する貯水池計算(RC)に基づくアプローチに基づいて、対称かつ分解された二項決定ニューラルネットワークを導入する。導入した対称ニューラルネットワークは、元の$M$-ary検出問題を一連のバイナリ分類タスクに分解できることを示す。数値評価により,導入したハイブリッドRCバイナリ決定フレームワークは,最大値モデルに基づくシンボル検出を行うことができる。
論文参考訳（メタデータ） (2020-12-01T18:16:19Z)
A Markovian Model-Driven Deep Learning Framework for Massive MIMO CSI Feedback [32.442094263278605]
前向きチャネル状態情報(CSI)は、MIMO(Multiple-input multiple-output)通信システムにおける送信最適化において重要な役割を果たす。リカレントニューラルネットワーク(RNN)の使用に関する最近の研究は、計算とメモリのコストは高いが、強い確証を示している。本研究では,フィードバック効率を大幅に向上させるために,チャネルコヒーレンスを時間内に活用する。
論文参考訳（メタデータ） (2020-09-20T16:26:12Z)

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。