Fugu-MT 論文翻訳(概要): Deep Unfolding for MIMO Signal Detection

論文の概要: Deep Unfolding for MIMO Signal Detection

arxiv url: http://arxiv.org/abs/2507.21152v1
Date: Thu, 24 Jul 2025 00:48:04 GMT
ステータス: 翻訳完了
システム内更新日: 2025-07-30 17:08:54.998116
Title: Deep Unfolding for MIMO Signal Detection
Title（参考訳）: MIMO信号検出のための深部展開
Authors: Hangli Ge, Noboru Koshizuka,
Abstract要約: 本稿では,Wirtinger計算を用いた複素数値計算を組み込んだ深部展開型ニューラルネットワークMIMO検出器を提案する。提案アルゴリズムは少数のトレーニング可能なパラメータしか必要とせず、簡易なトレーニングが可能である。数値計算により,提案手法はより少ない繰り返しと少ない計算量で優れた検出性能が得られることを示した。
参考スコア（独自算出の注目度）: 1.6881346757176976
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In this paper, we propose a deep unfolding neural network-based MIMO detector that incorporates complex-valued computations using Wirtinger calculus. The method, referred as Dynamic Partially Shrinkage Thresholding (DPST), enables efficient, interpretable, and low-complexity MIMO signal detection. Unlike prior approaches that rely on real-valued approximations, our method operates natively in the complex domain, aligning with the fundamental nature of signal processing tasks. The proposed algorithm requires only a small number of trainable parameters, allowing for simplified training. Numerical results demonstrate that the proposed method achieves superior detection performance with fewer iterations and lower computational complexity, making it a practical solution for next-generation massive MIMO systems.
Abstract（参考訳）: 本稿では,Wirtinger計算を用いた複雑な数値計算を組み込んだ深部展開型ニューラルネットワーク型MIMO検出器を提案する。 Dynamic partially Shrinkage Thresholding (DPST)と呼ばれるこの方法は、効率よく、解釈可能で、低複雑さのMIMO信号検出を可能にする。実数値近似に依存する従来の手法とは異なり,本手法は信号処理タスクの基本的な性質に則って,複素領域でネイティブに動作する。提案アルゴリズムは少数のトレーニング可能なパラメータしか必要とせず、簡易なトレーニングが可能である。シミュレーションにより,提案手法はより少ないイテレーションと少ない計算量で優れた検出性能を実現し,次世代MIMOシステムのための実用的な解法であることを示す。

関連論文リスト

Truncated Polynomial Expansion-Based Detection in Massive MIMO: A Model-Driven Deep Learning Approach [1.104960878651584]
我々は、Hermitian expansion(TPE)の逆計算を効率的に行うためのディープラーニング(DL)ベースのアプローチを提案する。モデル駆動型アプローチでは、与えられたTPE項のオフライントレーニング手順において、TPEの係数を最適化する。シミュレーションの結果,提案手法は収束速度の点で従来のTPE法よりも優れた性能を示すことがわかった。
論文参考訳（メタデータ） (2024-02-19T23:19:15Z)
Efficient Model-Free Exploration in Low-Rank MDPs [76.87340323826945]
低ランクマルコフ決定プロセスは、関数近似を持つRLに対して単純だが表現力のあるフレームワークを提供する。既存のアルゴリズムは、(1)計算的に抽出可能であるか、または(2)制限的な統計的仮定に依存している。提案手法は,低ランクMPPの探索のための最初の実証可能なサンプル効率アルゴリズムである。
論文参考訳（メタデータ） (2023-07-08T15:41:48Z)
Entropic Neural Optimal Transport via Diffusion Processes [105.34822201378763]
本稿では,連続確率分布間のエントロピー最適輸送(EOT)計画を計算するための新しいアルゴリズムを提案する。提案アルゴリズムは,シュリンガーブリッジ問題(Schr"odinger Bridge problem)として知られるEOTの動的バージョンのサドル点再構成に基づく。大規模EOTの従来の手法とは対照的に,我々のアルゴリズムはエンドツーエンドであり,単一の学習ステップで構成されている。
論文参考訳（メタデータ） (2022-11-02T14:35:13Z)
Simulated Bifurcation Algorithm for MIMO Detection [4.251210885092476]
マルチインプット多重出力(MIMO)システムにおける信号検出のためのシミュレート分岐アルゴリズム(SB)の性能について検討した。その結果、SBアルゴリズムは、広く使われている線形最小平均二乗誤り復号器に対して、大幅な性能向上を達成できることを示した。
論文参考訳（メタデータ） (2022-10-26T12:25:05Z)
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)
An Accelerated Doubly Stochastic Gradient Method with Faster Explicit Model Identification [97.28167655721766]
本稿では、分散正規化損失最小化問題に対する2倍加速勾配降下法(ADSGD)を提案する。まず、ADSGDが線形収束率を達成でき、全体的な計算複雑性を低減できることを示す。
論文参考訳（メタデータ） (2022-08-11T22:27:22Z)
Optimizing Objective Functions from Trained ReLU Neural Networks via Sampling [0.0]
本稿では、ReLUアクティベーションを用いたトレーニングニューラルネットワークを最適化する、スケーラブルでサンプリングベースのアルゴリズムを提案する。本稿ではまず,ReLUニューラルネットワークのピースワイズ線形構造を利用した反復アルゴリズムを提案する。次に、各反復で計算されたLPソリューションの近傍を探索することで、このアプローチを拡張します。
論文参考訳（メタデータ） (2022-05-27T18:35:48Z)
ConCrete MAP: Learning a Probabilistic Relaxation of Discrete Variables for Soft Estimation with Low Complexity [9.62543698736491]
ConCrete MAP Detection (CMD)は、大きな逆線形問題に対する反復検出アルゴリズムである。我々は、SotAと比較して、CMDが有望なパフォーマンス複雑性のトレードオフを特徴付けることを示す。特に,CMDのソフト出力がデコーダに信頼性を持つことを示す。
論文参考訳（メタデータ） (2021-02-25T09:54:25Z)
Investigating the Scalability and Biological Plausibility of the Activation Relaxation Algorithm [62.997667081978825]
アクティベーション・リラクシエーション(AR)アルゴリズムは、誤りアルゴリズムのバックプロパゲーションを近似するためのシンプルでロバストなアプローチを提供する。このアルゴリズムは、学習可能な後方重みセットを導入することにより、さらに単純化され、生物学的に検証可能であることを示す。また、元のARアルゴリズム(凍結フィードフォワードパス)の別の生物学的に信じられない仮定が、パフォーマンスを損なうことなく緩和できるかどうかについても検討する。
論文参考訳（メタデータ） (2020-10-13T08:02:38Z)
Adaptive Sampling for Best Policy Identification in Markov Decision Processes [79.4957965474334]
本稿では,学習者が生成モデルにアクセスできる場合の,割引マルコフ決定(MDP)における最良の政治的識別の問題について検討する。最先端アルゴリズムの利点を論じ、解説する。
論文参考訳（メタデータ） (2020-09-28T15:22:24Z)
Iterative Algorithm Induced Deep-Unfolding Neural Networks: Precoding Design for Multiuser MIMO Systems [59.804810122136345]
本稿では,AIIDNN(ディープ・アンフォールディング・ニューラルネット)を一般化した,ディープ・アンフォールディングのためのフレームワークを提案する。古典的重み付き最小二乗誤差(WMMSE)反復アルゴリズムの構造に基づく効率的なIAIDNNを提案する。提案したIAIDNNは,計算複雑性を低減した反復WMMSEアルゴリズムの性能を効率よく向上することを示す。
論文参考訳（メタデータ） (2020-06-15T02:57:57Z)

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。