論文の概要: An Analysis of Minimum Error Entropy Loss Functions in Wireless Communications

• arxiv url: http://arxiv.org/abs/2410.07208v1
• Date: Wed, 25 Sep 2024 12:45:47 GMT
• ステータス: 処理完了
• システム内更新日: 2024-10-31 21:37:02.374728
• Title: An Analysis of Minimum Error Entropy Loss Functions in Wireless Communications
• Title（参考訳）: 無線通信における最小誤差エントロピー損失関数の解析
• Authors: Rumeshika Pallewela, Eslam Eldeeb, Hirley Alves,
• Abstract要約: 本稿では,無線通信における深層学習に適した情報理論損失関数として,最小誤差エントロピー基準を提案する。 本手法は,大気上回帰法と室内局在法という2つの重要な応用のシミュレーションにより評価した。
• 参考スコア（独自算出の注目度）: 5.135587709363216
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper introduces the minimum error entropy (MEE) criterion as an advanced information-theoretic loss function tailored for deep learning applications in wireless communications. The MEE criterion leverages higher-order statistical properties, offering robustness in noisy scenarios like Rayleigh fading and impulsive interference. In addition, we propose a less computationally complex version of the MEE function to enhance practical usability in wireless communications. The method is evaluated through simulations on two critical applications: over-the-air regression and indoor localization. Results indicate that the MEE criterion outperforms conventional loss functions, such as mean squared error (MSE) and mean absolute error (MAE), achieving significant performance improvements in terms of accuracy, over $20 \%$ gain over traditional methods, and convergence speed across various channel conditions. This work establishes MEE as a promising alternative for wireless communication tasks in deep learning models, enabling better resilience and adaptability.
• Abstract（参考訳）: 本稿では,無線通信における深層学習に適した情報理論損失関数として,最小誤差エントロピー(MEE)基準を提案する。 MEE基準は高次統計特性を活用し、レイリー・フェーディング(英語版)や衝動干渉(英語版)のようなノイズのあるシナリオで堅牢性を提供する。 さらに,無線通信における実用的なユーザビリティを高めるため,MEE関数の計算量が少ないバージョンを提案する。 本手法は,大気上回帰法と室内局在法という2つの重要な応用のシミュレーションにより評価した。 その結果,MEE基準は平均二乗誤差 (MSE) や平均絶対誤差 (MAE) といった従来の損失関数よりも優れており,従来の手法よりも20ドル以上のゲイン,様々なチャネル条件での収束速度など,大幅な性能向上を実現していることがわかった。 この研究は、ディープラーニングモデルにおける無線通信タスクの有望な代替手段としてMEEを確立し、より優れたレジリエンスと適応性を実現する。

関連論文リスト

• Deep learning approaches to indoor wireless channel estimation for low-power communication [0.0]
  本稿では,LP-IoT通信における高精度チャネル推定にRSSIを利用する,FCNNを用いた2つの低電力チャネル推定モデルを提案する。 我々のモデルAは平均二乗誤差(MSE)の99.02%の顕著な減少を示し、モデルBは現在の研究で設定されたベンチマークと比較して90.03%のMSEの減少を示す。
  論文  参考訳（メタデータ） (2024-05-21T00:36:34Z)
• Linear Combination of Exponential Moving Averages for Wireless Channel Prediction [2.34863357088666]
  本研究では,指数移動平均(EMA)に基づく予測モデルについて検討した。 EMA線形結合(ELC)と呼ばれる新しいモデルを導入し、説明し、実験的に評価した。
  論文  参考訳（メタデータ） (2023-12-13T07:44:05Z)
• Over-the-Air Federated Learning and Optimization [52.5188988624998]
  エッジ・ザ・エア計算(AirComp)によるフェデレーション学習(FL)に焦点を当てる。 本稿では,AirComp ベースの FedAvg (AirFedAvg) アルゴリズムの凸および非凸条件下での収束について述べる。 エッジデバイス(モデル、勾配、モデル差など)で送信できるローカルアップデートの種類によって、AirFedAvgで送信するとアグリゲーションエラーが発生する可能性がある。 さらに、より実用的な信号処理方式を検討し、通信効率を改善し、これらの信号処理方式によって引き起こされるモデル集約誤差の異なる形式に収束解析を拡張する。
  論文  参考訳（メタデータ） (2023-10-16T05:49:28Z)
• Revisiting the Robustness of the Minimum Error Entropy Criterion: A Transfer Learning Case Study [16.07380451502911]
  本稿では,非ガウス雑音に対処する最小誤差エントロピー基準のロバスト性を再考する。 本稿では,分散シフトが一般的である実生活伝達学習回帰タスクの実現可能性と有用性について検討する。
  論文  参考訳（メタデータ） (2023-07-17T15:38:11Z)
• 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)
• Age of Semantics in Cooperative Communications: To Expedite Simulation Towards Real via Offline Reinforcement Learning [53.18060442931179]
  協調リレー通信システムにおける状態更新のセマンティックス更新度を測定するための意味学年代(AoS)を提案する。 オンライン・ディープ・アクター・クリティック(DAC)学習手法を,政治時間差学習の枠組みに基づいて提案する。 そこで我々は,以前に収集したデータセットから最適制御ポリシーを推定する,新しいオフラインDAC方式を提案する。
  論文  参考訳（メタデータ） (2022-09-19T11:55:28Z)
• 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)
• Unit-Modulus Wireless Federated Learning Via Penalty Alternating Minimization [64.76619508293966]
  Wireless Federated Learning(FL)は、分散データセットから無線通信を介してグローバルパラメトリックモデルをトレーニングする、新興機械学習パラダイムである。 本稿では、ローカルモデルパラメータをアップロードし、無線通信を介してグローバルモデルパラメータを算出する無線FLフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-08-31T08:19:54Z)
• Local AdaGrad-Type Algorithm for Stochastic Convex-Concave Minimax Problems [80.46370778277186]
  大規模凸凹型ミニマックス問題は、ゲーム理論、堅牢なトレーニング、生成的敵ネットワークのトレーニングなど、多くの応用で発生する。 通信効率のよい分散外グレードアルゴリズムであるLocalAdaSientを開発した。 サーバモデル。 等質な環境と異質な環境の両方において,その有効性を実証する。
  論文  参考訳（メタデータ） (2021-06-18T09:42:05Z)
• Optimization-driven Machine Learning for Intelligent Reflecting Surfaces Assisted Wireless Networks [82.33619654835348]
  インテリジェントサーフェス(IRS)は、個々の散乱素子の位相シフトを制御して無線チャネルを再形成するために用いられる。 散乱素子の規模が大きいため、受動ビームフォーミングは一般に高い計算複雑性によって挑戦される。 本稿では、IRS支援無線ネットワークの性能向上のための機械学習(ML)アプローチに焦点を当てる。
  論文  参考訳（メタデータ） (2020-08-29T08:39:43Z)

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。