論文の概要: Over-the-Air Inference over Multi-hop MIMO Networks
- arxiv url: http://arxiv.org/abs/2505.00430v1
- Date: Thu, 01 May 2025 09:59:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-02 19:15:55.279523
- Title: Over-the-Air Inference over Multi-hop MIMO Networks
- Title（参考訳）: マルチホップMIMOネットワークにおけるオーバー・ザ・エア推論
- Authors: Chenghong Bian, Meng Hua, Deniz Gunduz,
- Abstract要約: マルチホップマルチインプットおよびマルチアウトプット(MIMO)ネットワーク上での新たなオーバーザエア機械学習フレームワークを提案する。
PrototypeNetと呼ばれるニューラルネットワークは、複数のFC層で構成され、各層のニューロン数は対応する端末のアンテナ数に等しい。
数値計算により,提案手法が電力制約下で良好な分類精度を達成できることを確認した。
- 参考スコア（独自算出の注目度）: 7.659686055749258
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: A novel over-the-air machine learning framework over multi-hop multiple-input and multiple-output (MIMO) networks is proposed. The core idea is to imitate fully connected (FC) neural network layers using multiple MIMO channels by carefully designing the precoding matrices at the transmitting nodes. A neural network dubbed PrototypeNet is employed consisting of multiple FC layers, with the number of neurons of each layer equal to the number of antennas of the corresponding terminal. To achieve satisfactory performance, we train PrototypeNet based on a customized loss function consisting of classification error and the power of latent vectors to satisfy transmit power constraints, with noise injection during training. Precoding matrices for each hop are then obtained by solving an optimization problem. We also propose a multiple-block extension when the number of antennas is limited. Numerical results verify that the proposed over-the-air transmission scheme can achieve satisfactory classification accuracy under a power constraint. The results also show that higher classification accuracy can be achieved with an increasing number of hops at a modest signal-to-noise ratio (SNR).
- Abstract（参考訳）: マルチホップマルチインプットおよびマルチアウトプット(MIMO)ネットワーク上での新たなオーバーザエア機械学習フレームワークを提案する。
中心となる考え方は、送信ノードのプリコーディング行列を慎重に設計することで、複数のMIMOチャネルを使用して完全に接続された(FC)ニューラルネットワーク層を模倣することである。
PrototypeNetと呼ばれるニューラルネットワークは、複数のFC層で構成され、各層のニューロン数は対応する端末のアンテナ数に等しい。
良好な性能を達成するために,分類誤差と遅延ベクトルのパワーからなるカスタマイズされた損失関数に基づいてプロトタイプネットを訓練し,トレーニング中にノイズ注入を行い,送信電力制約を満たす。
次に、最適化問題を解くことにより、各ホップに対するプリコーディング行列を得る。
また,アンテナ数に制限がある場合の多重ブロック拡張を提案する。
数値計算により,提案手法が電力制約下で良好な分類精度を達成できることを確認した。
また,信号対雑音比 (SNR) のホップ数の増加により,より高い分類精度が得られることを示した。
関連論文リスト
- Multiscale Tensor Summation Factorization as a New Neural Network Layer (MTS Layer) for Multidimensional Data Processing [18.557169937152967]
Multiscale Summation (MTS) Factorizationは、テンソル和を複数スケールで実装した新しいニューラルネットワーク演算子である。
MTSは、重量最適化の効率を高めながら必要となるパラメータ数を減少させるだけでなく、畳み込み層よりも明確な利点を示す。
対応するニューラルネットワークであるMTSNetは、さまざまなコンピュータビジョンアプリケーションにおける最先端のトランスフォーマーと比較して、より好ましい複雑性とパフォーマンスのトレードオフを示す。
論文 参考訳（メタデータ） (2025-04-17T22:19:59Z) - Neuromorphic Wireless Split Computing with Multi-Level Spikes [69.73249913506042]
ニューロモルフィックコンピューティングは、スパイキングニューラルネットワーク(SNN)を使用して推論タスクを実行する。
スパイクニューロン間で交換される各スパイクに小さなペイロードを埋め込むことで、エネルギー消費を増大させることなく推論精度を高めることができる。
分割コンピューティング — SNNを2つのデバイスに分割する — は、有望なソリューションだ。
本稿では,マルチレベルSNNを用いたニューロモルフィック無線分割コンピューティングアーキテクチャの総合的研究について述べる。
論文 参考訳（メタデータ） (2024-11-07T14:08:35Z) - SigT: An Efficient End-to-End MIMO-OFDM Receiver Framework Based on
Transformer [16.00729720170457]
SigTという名前のtextit Transformer に基づく新しいエンド・ツー・エンド・レシーバフレームワークが提案されている。
実験結果から,SigTはベンチマーク法よりも信号回復精度が高いことがわかった。
論文 参考訳（メタデータ） (2022-11-02T14:08:16Z) - 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) - Over-the-Air Split Machine Learning in Wireless MIMO Networks [56.27831295707334]
スプリット機械学習(ML)では、ニューラルネットワーク(NN)の異なるパーティションが異なる計算ノードによって実行される。
通信負担を軽減するため、OAC(Over-the-air calculation)は通信と同時に計算の全てまたは一部を効率的に実装することができる。
論文 参考訳（メタデータ） (2022-10-07T15:39:11Z) - Deep Convolutional Learning-Aided Detector for Generalized Frequency
Division Multiplexing with Index Modulation [0.0]
提案手法は、まずゼロフォース検出器(ZF)を用いて受信信号を前処理し、その後、畳み込みニューラルネットワーク(CNN)と完全連結ニューラルネットワーク(FCNN)からなるニューラルネットワークを用いる。
FCNN部は2つの完全に接続された層しか使用せず、複雑さとBER(bit error rate)パフォーマンスのトレードオフをもたらすことができる。
提案したディープ畳み込みニューラルネットワークに基づく検出・復調方式は,ZF検出器よりも高いBER性能を示し,複雑性が増大することが実証されている。
論文 参考訳（メタデータ） (2022-02-06T22:18:42Z) - A Low-Complexity MIMO Channel Estimator with Implicit Structure of a
Convolutional Neural Network [0.0]
単一アンテナユーザを対象とした最小平均二乗誤差チャネル推定器を学習する低複雑性畳み込みニューラルネットワーク推定器を提案する。
パイロットシーケンスの任意の選択に対する推定器の高レベルな記述を導出する。
数値的な結果は最先端のアルゴリズムと比較して性能が向上することを示している。
論文 参考訳（メタデータ） (2021-04-26T15:52:29Z) - Joint Deep Reinforcement Learning and Unfolding: Beam Selection and
Precoding for mmWave Multiuser MIMO with Lens Arrays [54.43962058166702]
離散レンズアレイを用いたミリ波マルチユーザマルチインプット多重出力(MU-MIMO)システムに注目が集まっている。
本研究では、DLA を用いた mmWave MU-MIMO システムのビームプリコーディング行列の共同設計について検討する。
論文 参考訳（メタデータ） (2021-01-05T03:55:04Z) - Learning to Beamform in Heterogeneous Massive MIMO Networks [48.62625893368218]
大規模マルチインプット多重出力(MIMO)ネットワークにおいて最適なビームフォーマを見つけることはよく知られている問題である。
本稿では,この問題に対処するための新しい深層学習に基づく論文アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-11-08T12:48:06Z) - Network Adjustment: Channel Search Guided by FLOPs Utilization Ratio [101.84651388520584]
本稿では,ネットワークの精度をFLOPの関数として考慮した,ネットワーク調整という新しいフレームワークを提案する。
標準画像分類データセットと幅広いベースネットワークの実験は、我々のアプローチの有効性を実証している。
論文 参考訳（メタデータ） (2020-04-06T15:51:00Z)
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。