論文の概要: Quantitative Error Feedback for Quantization Noise Reduction of Filtering over Graphs

• arxiv url: http://arxiv.org/abs/2506.01404v1
• Date: Mon, 02 Jun 2025 07:57:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-05 01:42:09.286939
• Title: Quantitative Error Feedback for Quantization Noise Reduction of Filtering over Graphs
• Title（参考訳）: グラフ上のフィルタリングの量子化雑音低減のための定量的誤差フィードバック
• Authors: Xue Xian Zheng, Weihang Liu, Xin Lou, Stefan Vlaski, Tareq Al-Naffouri,
• Abstract要約: 本稿では,分散グラフフィルタリングにおける量子化雑音の低減を目的とした,革新的な誤りフィードバックフレームワークを提案する。 これは状態空間デジタルフィルタの誤差スペクトル形成技術に由来するため、異なる領域にわたる量子化フィルタリングプロセス間の接続を確立する。
• 参考スコア（独自算出の注目度）: 14.837260348082953
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper introduces an innovative error feedback framework designed to mitigate quantization noise in distributed graph filtering, where communications are constrained to quantized messages. It comes from error spectrum shaping techniques from state-space digital filters, and therefore establishes connections between quantized filtering processes over different domains. In contrast to existing error compensation methods, our framework quantitatively feeds back the quantization noise for exact compensation. We examine the framework under three key scenarios: (i) deterministic graph filtering, (ii) graph filtering over random graphs, and (iii) graph filtering with random node-asynchronous updates. Rigorous theoretical analysis demonstrates that the proposed framework significantly reduces the effect of quantization noise, and we provide closed-form solutions for the optimal error feedback coefficients. Moreover, this quantitative error feedback mechanism can be seamlessly integrated into communication-efficient decentralized optimization frameworks, enabling lower error floors. Numerical experiments validate the theoretical results, consistently showing that our method outperforms conventional quantization strategies in terms of both accuracy and robustness.
• Abstract（参考訳）: 本稿では,分散グラフフィルタリングにおける量子化ノイズを軽減するために,通信を量子化メッセージに制約する,革新的なエラーフィードバックフレームワークを提案する。 これは状態空間デジタルフィルタの誤差スペクトル形成技術に由来するため、異なる領域にわたる量子化フィルタリングプロセス間の接続を確立する。 既存の誤り補償法とは対照的に,我々のフレームワークは正確な補償のために量子化ノイズを定量的にフィードバックする。 フレームワークを3つの主要なシナリオで検証する。 (i)決定論的グラフフィルタリング (ii)ランダムグラフ上のグラフフィルタリング、および (iii)ランダムノード同期更新によるグラフフィルタリング。 厳密な理論解析により,提案手法は量子化雑音の影響を著しく低減し,最適誤差フィードバック係数に対する閉形式解を提供する。 さらに、この定量的なエラーフィードバック機構は、通信効率の良い分散最適化フレームワークにシームレスに統合することができ、エラーフロアを低くすることができる。 数値実験により,提案手法は精度とロバスト性の両方の観点から従来の量子化戦略より優れていることを示す。

関連論文リスト

• Efficient learning and optimizing non-Gaussian correlated noise in digitally controlled qubit systems [0.6138671548064356]
  雑音最適化回路設計における高次スペクトル推定法について述べる。 注目すべきは、デジタル駆動された量子ビットダイナミクスは、適用された制御の複雑さによってのみ決定できることである。
  論文  参考訳（メタデータ） (2025-02-08T02:09:40Z)
• Regularized Vector Quantization for Tokenized Image Synthesis [126.96880843754066]
  画像の離散表現への量子化は、統合生成モデリングにおける根本的な問題である。 決定論的量子化は、厳しいコードブックの崩壊と推論段階の誤調整に悩まされ、一方、量子化は、コードブックの利用率の低下と再構築の目的に悩まされる。 本稿では、2つの視点から正規化を適用することにより、上記の問題を効果的に緩和できる正規化ベクトル量子化フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-11T15:20:54Z)
• Suppressing Amplitude Damping in Trapped Ions: Discrete Weak Measurements for a Non-unitary Probabilistic Noise Filter [62.997667081978825]
  この劣化を逆転させるために、低オーバーヘッドプロトコルを導入します。 振幅減衰雑音に対する非単位確率フィルタの実装のための2つのトラップイオンスキームを提案する。 このフィルタは、単一コピー準蒸留のためのプロトコルとして理解することができる。
  論文  参考訳（メタデータ） (2022-09-06T18:18:41Z)
• Symmetry Regularization and Saturating Nonlinearity for Robust Quantization [5.1779694507922835]
  量子化に対するネットワークの強固化に関する3つの知見を提示する。 対称性正則化(SymReg)と飽和非線形性(SatNL)という2つの新しい手法を提案する。 トレーニング中に提案した手法を適用することで、量子化に対する任意のニューラルネットワークの堅牢性を高めることができる。
  論文  参考訳（メタデータ） (2022-07-31T02:12:28Z)
• Spectral analysis for noise diagnostics and filter-based digital error mitigation [0.0]
  デバイスエラーによる出力信号の高次周波数モードの定量化を行う。 これらのノイズによるモードのフィルタリングはデバイスエラーを効果的に軽減することを示す。
  論文  参考訳（メタデータ） (2022-06-17T14:42:58Z)
• Deblurring via Stochastic Refinement [85.42730934561101]
  条件付き拡散モデルに基づくブラインドデブロアリングのための代替フレームワークを提案する。 提案手法は,PSNRなどの歪み指標の点で競合する。
  論文  参考訳（メタデータ） (2021-12-05T04:36:09Z)
• Quantum Error Mitigation Relying on Permutation Filtering [84.66087478797475]
  本稿では,既存の置換に基づく手法を特殊なケースとして含む,置換フィルタ(permutation filters)と呼ばれる一般的なフレームワークを提案する。 提案するフィルタ設計アルゴリズムは, 常に大域的最適度に収束し, フィルタが既存の置換法よりも大幅に改善できることを示す。
  論文  参考訳（メタデータ） (2021-07-03T16:07:30Z)
• Unrolling of Deep Graph Total Variation for Image Denoising [106.93258903150702]
  本稿では,従来のグラフ信号フィルタリングと深い特徴学習を併用して,競合するハイブリッド設計を提案する。 解釈可能な低パスグラフフィルタを用い、最先端のDL復調方式DnCNNよりも80%少ないネットワークパラメータを用いる。
  論文  参考訳（メタデータ） (2020-10-21T20:04:22Z)
• AUSN: Approximately Uniform Quantization by Adaptively Superimposing Non-uniform Distribution for Deep Neural Networks [0.7378164273177589]
  既存の一様および非一様量子化法は、表現範囲と表現解像度の間に固有の矛盾を示す。 重みとアクティベーションを定量化する新しい量子化法を提案する。 鍵となる考え方は、複数の非一様量子化値、すなわち AUSN を適応的に重ね合わせることで、ユニフォーム量子化を近似することである。
  論文  参考訳（メタデータ） (2020-07-08T05:10:53Z)

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。