論文の概要: VERITAS: Verifying the Performance of AI-native Transceiver Actions in Base-Stations

• arxiv url: http://arxiv.org/abs/2501.09761v1
• Date: Wed, 01 Jan 2025 19:12:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-26 03:08:30.104574
• Title: VERITAS: Verifying the Performance of AI-native Transceiver Actions in Base-Stations
• Title（参考訳）: VERITAS: ベースステージにおけるAIネイティブなトランシーバアクションのパフォーマンス検証
• Authors: Nasim Soltani, Michael Loehning, Kaushik Chowdhury,
• Abstract要約: 本稿では,AIネイティブトランスシーバーのポストデプロイのための共同計測・回復フレームワークを提案する。 VERITASはチャネルプロファイル,送信速度,遅延の変動を99%,97%,69%の精度で検出できることを示した。 評価の結果、VERITASはチャネルプロファイル、送信速度、遅延拡散の変化を86%、93.3%、94.8%で検出できることがわかった。
• 参考スコア（独自算出の注目度）: 0.745554610293091
• License:
• Abstract: Artificial Intelligence (AI)-native receivers prove significant performance improvement in high noise regimes and can potentially reduce communication overhead compared to the traditional receiver. However, their performance highly depends on the representativeness of the training dataset. A major issue is the uncertainty of whether the training dataset covers all test environments and waveform configurations, and thus, whether the trained model is robust in practical deployment conditions. To this end, we propose a joint measurement-recovery framework for AI-native transceivers post deployment, called VERITAS, that continuously looks for distribution shifts in the received signals and triggers finite re-training spurts. VERITAS monitors the wireless channel using 5G pilots fed to an auxiliary neural network that detects out-of-distribution channel profile, transmitter speed, and delay spread. As soon as such a change is detected, a traditional (reference) receiver is activated, which runs for a period of time in parallel to the AI-native receiver. Finally, VERTIAS compares the bit probabilities of the AI-native and the reference receivers for the same received data inputs, and decides whether or not a retraining process needs to be initiated. Our evaluations reveal that VERITAS can detect changes in the channel profile, transmitter speed, and delay spread with 99%, 97%, and 69% accuracies, respectively, followed by timely initiation of retraining for 86%, 93.3%, and 94.8% of inputs in channel profile, transmitter speed, and delay spread test sets, respectively.
• Abstract（参考訳）: 人工知能(AI)ネイティブレシーバーは、高ノイズレシーバにおいて大幅な性能向上を示し、従来のレシーバと比較して通信オーバーヘッドを低減できる可能性がある。 しかし、その性能はトレーニングデータセットの表現性に大きく依存する。 主な問題は、トレーニングデータセットがすべてのテスト環境と波形構成をカバーするかどうかの不確実性であり、したがって、トレーニングされたモデルが実際のデプロイメント環境で堅牢であるかどうかである。 この目的のために, VERITASと呼ばれるAIネイティブトランスシーバポストデプロイメントのための共同計測回収フレームワークを提案し, 受信信号の分散シフトを連続的に調べ, 有限再学習スプリットをトリガーする。 VERITASは補助ニューラルネットワークに供給された5Gパイロットを使用して無線チャネルを監視し、アウト・オブ・ディストリビューションチャネルプロファイル、送信速度、遅延拡散を検出する。 このような変更を検出すると、従来の(参照)受信機が起動され、AIネイティブ受信機と並行して一定期間実行される。 最後に、VERTIASはAIネイティブと参照レシーバーのビット確率を同じ受信データ入力と比較し、再トレーニングプロセスを開始するかどうかを決定する。 評価の結果,VERITASはチャネルプロファイルの変化を99%,97%,69%の精度で検出し,再トレーニング開始時期は86%,93.3%,94.8%,送信速度は94.8%,遅延拡散テストセットは94.8%であった。

関連論文リスト

• A Machine Learning based Hybrid Receiver for 5G NR PRACH [2.319178116633846]
  本稿では、プリアンブル検出のためのAI/MLモデルと、タイピング前進推定のための従来のピーク検出を併用したハイブリッド受信機の設計について述べる。 その結果、シミュレーションおよび実際のハードウェアキャプチャーデータセットに対する従来の受信機と比較して、ハイブリッド受信機の性能が優れていた。
  論文  参考訳（メタデータ） (2024-11-03T11:49:12Z)
• 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)
• Collaborative Learning with a Drone Orchestrator [79.75113006257872]
  インテリジェントな無線デバイス群は、ドローンの助けを借りて共有ニューラルネットワークモデルを訓練する。 提案したフレームワークは,トレーニングの大幅な高速化を実現し,ドローンホバリング時間の平均24%と87%の削減を実現している。
  論文  参考訳（メタデータ） (2023-03-03T23:46:25Z)
• Disentangled Representation Learning for RF Fingerprint Extraction under Unknown Channel Statistics [77.13542705329328]
  本稿では,まず,不整合表現学習(DRL)の枠組みを提案し,入力信号を逆学習によりデバイス関連成分とデバイス関連成分に分解する。 提案フレームワークにおける暗黙的なデータ拡張は、デバイス非関連チャネル統計の過度な適合を避けるために、RFF抽出器に正規化を課す。 実験により、DR-RFFと呼ばれる提案手法は、未知の複雑な伝播環境に対する一般化可能性の観点から従来の手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2022-08-04T15:46:48Z)
• Deep Learning-Based Synchronization for Uplink NB-IoT [72.86843435313048]
  狭帯域モノのインターネット(NB-IoT)における狭帯域物理ランダムアクセスチャネル(NPRACH)のデバイス検出と到着時刻推定のためのニューラルネットワーク(NN)に基づくアルゴリズムを提案する。 導入されたNNアーキテクチャは、残余の畳み込みネットワークと、5Gニューラジオ(5G NR)仕様のプリアンブル構造に関する知識を利用する。
  論文  参考訳（メタデータ） (2022-05-22T12:16:43Z)
• 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)
• Adaptive Test-Time Augmentation for Low-Power CPU [3.5473686344971416]
  Test-Time Augmentation (TTA)テクニックは、推論時にそのような一般的な副作用を軽減することを目的とする。 本稿では,フィードフォワード回数を動的に制御するTTAの適応的実装であるAdapTTAを提案する。 商用ARM Cortex-A CPUにデプロイされた画像分類のための最新のConvNetsに関する実験結果では、AdapTTAが驚くべき遅延節約を達成している。
  論文  参考訳（メタデータ） (2021-05-13T10:50:13Z)
• FedRec: Federated Learning of Universal Receivers over Fading Channels [92.15358738530037]
  本稿では,ダウンリンクフェージングチャネルに対するニューラルネットワークを用いたシンボル検出手法を提案する。 複数のユーザが協力して、普遍的なデータ駆動型検出器を学習する。 得られた受信機の性能は、フェーディング統計の知識を必要とせずに、様々なチャネル条件下でMAP性能に近づくことを示す。
  論文  参考訳（メタデータ） (2020-11-14T11:29:55Z)
• FastEmit: Low-latency Streaming ASR with Sequence-level Emission Regularization [78.46088089185156]
  ストリーム自動音声認識(ASR)は、仮説化された単語を可能な限り迅速かつ正確に出力することを目的としている。 既存のアプローチでは、シーケンストランスデューサモデルにおいて、トーケン単位またはフレーム単位の確率予測を演算することで、発光遅延をペナルティ化する。 本稿では,訓練用トランスデューサモデルにおいて,シーケンス毎の確率に遅延正規化を直接適用する,FastEmitというシーケンスレベルのエミッション正規化手法を提案する。
  論文  参考訳（メタデータ） (2020-10-21T17:05:01Z)
• Experimental Investigation of Deep Learning for Digital Signal Processing in Short Reach Optical Fiber Communications [2.9801732851402556]
  リカレントニューラルネットワーク(RNN)を用いた自動エンコーダの性能向上手法について検討する。 特に,最近提案されたスライディングウインドウ双方向RNN(SBRNN)光ファイバーオートエンコーダに着目した。 受信機におけるシーケンス推定アルゴリズムにおける処理ウィンドウの調整は、チャネルモデルに基づいて訓練された単純なシステムのリーチを改善することを示す。
  論文  参考訳（メタデータ） (2020-05-18T15:09:41Z)

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。