論文の概要: Topological Neural Networks over the Air

• arxiv url: http://arxiv.org/abs/2502.10070v1
• Date: Fri, 14 Feb 2025 10:45:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-17 18:06:19.981162
• Title: Topological Neural Networks over the Air
• Title（参考訳）: 大気上のトポロジカルニューラルネットワーク
• Authors: Simone Fiorellino, Claudio Battiloro, Paolo Di Lorenzo,
• Abstract要約: トポロジカルニューラルネットワーク(TNN)は、トポロジカル空間上のデータから表現をモデル化する情報処理アーキテクチャである。 本稿では,無線通信モデルをアーキテクチャに組み込んだ,常連セルコンプレックスを用いた新しいTNN設計を提案する。
• 参考スコア（独自算出の注目度）: 13.291627429657416
• License:
• Abstract: Topological neural networks (TNNs) are information processing architectures that model representations from data lying over topological spaces (e.g., simplicial or cell complexes) and allow for decentralized implementation through localized communications over different neighborhoods. Existing TNN architectures have not yet been considered in realistic communication scenarios, where channel effects typically introduce disturbances such as fading and noise. This paper aims to propose a novel TNN design, operating on regular cell complexes, that performs over-the-air computation, incorporating the wireless communication model into its architecture. Specifically, during training and inference, the proposed method considers channel impairments such as fading and noise in the topological convolutional filtering operation, which takes place over different signal orders and neighborhoods. Numerical results illustrate the architecture's robustness to channel impairments during testing and the superior performance with respect to existing architectures, which are either communication-agnostic or graph-based.
• Abstract（参考訳）: トポロジカルニューラルネットワーク(トポロジカルニューラルネットワーク、TNN)は、トポロジカルな空間(simplicialまたは細胞複合体など)に横たわるデータから表現をモデル化する情報処理アーキテクチャである。 既存のTNNアーキテクチャはまだ現実的な通信シナリオでは検討されていない。 本稿では,無線通信モデルをアーキテクチャに組み込んで,無線通信をオンザエアで行う,通常のセルコンプレックスで動作する新しいTNN設計を提案する。 具体的には,信号の順序や近傍で発生するトポロジカル畳み込みフィルタリング動作におけるフェーディングやノイズなどのチャネル障害について検討した。 数値的な結果は、テスト中のチャネル障害に対するアーキテクチャの堅牢さと、通信に依存しない、あるいはグラフベースである既存のアーキテクチャに対する優れたパフォーマンスを示している。

関連論文リスト

• Model-based learning for multi-antenna multi-frequency location-to-channel mapping [6.067275317776295]
  Inlicit Neural Representationの文献によると、古典的ニューラルネットワークアーキテクチャは低周波の内容の学習に偏っている。 本稿では、モデルに基づく機械学習パラダイムを利用して、伝搬チャネルモデルから問題固有のニューラルアーキテクチャを導出する。
  論文  参考訳（メタデータ） (2024-06-17T13:09:25Z)
• TCCT-Net: Two-Stream Network Architecture for Fast and Efficient Engagement Estimation via Behavioral Feature Signals [58.865901821451295]
  本稿では,新しい2ストリーム機能融合 "Tensor-Convolution and Convolution-Transformer Network" (TCCT-Net) アーキテクチャを提案する。 時間空間領域における意味のあるパターンをよりよく学習するために、ハイブリッド畳み込み変換器を統合する「CT」ストリームを設計する。 並行して、時間周波数領域からリッチなパターンを効率的に抽出するために、連続ウェーブレット変換(CWT)を用いて情報を2次元テンソル形式で表現する「TC」ストリームを導入する。
  論文  参考訳（メタデータ） (2024-04-15T06:01:48Z)
• Neural Network with Local Converging Input (NNLCI) for Supersonic Flow Problems with Unstructured Grids [0.9152133607343995]
  非構造データを用いた高忠実度予測のための局所収束入力(NNLCI)を用いたニューラルネットワークを開発した。 また, NNLCI法を用いて, バンプを有するチャネル内の超音速流の可視化を行った。
  論文  参考訳（メタデータ） (2023-10-23T19:03:37Z)
• Graph-based Multi-ODE Neural Networks for Spatio-Temporal Traffic Forecasting [8.832864937330722]
  長距離交通予測は、交通ネットワークで観測される複雑な時間的相関のため、依然として困難な課題である。 本稿では,GRAM-ODE(Graph-based Multi-ODE Neural Networks)と呼ばれるアーキテクチャを提案する。 実世界の6つのデータセットを用いて行った大規模な実験は、最先端のベースラインと比較して、GRAM-ODEの優れた性能を示す。
  論文  参考訳（メタデータ） (2023-05-30T02:10:42Z)
• Graph Neural Networks over the Air for Decentralized Tasks in Wireless Networks [6.007238205454907]
  本稿では,大気上のグラフニューラルネットワークの性能に及ぼすチャネル障害の影響について検討する(AirGNN)。 AirGNNは、ランダムな通信グラフ上でグラフ信号をシフトするグラフ畳み込み操作を変更し、チャネルのフェージングとノイズを考慮している。 分散型ソースローカライゼーションとマルチロボット・フロッキングの実験は、無線通信チャネル上でのAirGNNの性能に優れていた。
  論文  参考訳（メタデータ） (2023-02-16T17:40:23Z)
• Interference Cancellation GAN Framework for Dynamic Channels [74.22393885274728]
  チャネルのあらゆる変更に適応できるオンライントレーニングフレームワークを導入します。 我々のフレームワークは、非常にダイナミックなチャネル上での最近のニューラルネットワークモデルよりも大幅に優れています。
  論文  参考訳（メタデータ） (2022-08-17T02:01:18Z)
• Deep Architecture Connectivity Matters for Its Convergence: A Fine-Grained Analysis [94.64007376939735]
  我々は、勾配降下訓練におけるディープニューラルネットワーク(DNN)の収束に対する接続パターンの影響を理論的に特徴づける。 接続パターンの単純なフィルタリングによって、評価対象のモデルの数を削減できることが示される。
  論文  参考訳（メタデータ） (2022-05-11T17:43:54Z)
• Self-Learning for Received Signal Strength Map Reconstruction with Neural Architecture Search [63.39818029362661]
  ニューラルアーキテクチャサーチ(NAS)と受信信号強度(RSS)マップ再構築のための自己学習に基づくモデルを提案する。 このアプローチは、まず最適なNNアーキテクチャを見つけ、与えられた(RSS)マップの地上実測値に対して同時に推論モデルを訓練する。 実験結果から,この第2モデルの信号予測は,非学習に基づく最先端技術や,アーキテクチャ探索を伴わないNNモデルよりも優れていた。
  論文  参考訳（メタデータ） (2021-05-17T12:19:22Z)
• On the benefits of robust models in modulation recognition [53.391095789289736]
  畳み込み層を用いたディープニューラルネットワーク(DNN)は、通信における多くのタスクにおいて最先端である。 画像分類のような他の領域では、DNNは敵の摂動に弱いことが示されている。 最新モデルの堅牢性をテストするための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-03-27T19:58:06Z)
• Multi-Tones' Phase Coding (MTPC) of Interaural Time Difference by Spiking Neural Network [68.43026108936029]
  雑音の多い実環境下での正確な音像定位のための純粋スパイクニューラルネットワーク(SNN)に基づく計算モデルを提案する。 このアルゴリズムを,マイクロホンアレイを用いたリアルタイムロボットシステムに実装する。 実験の結果, 平均誤差方位は13度であり, 音源定位に対する他の生物学的に妥当なニューロモルフィックアプローチの精度を上回っていることがわかった。
  論文  参考訳（メタデータ） (2020-07-07T08:22:56Z)

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。