論文の概要: Deep Variable-Length Feedback Codes
- arxiv url: http://arxiv.org/abs/2602.07881v1
- Date: Sun, 08 Feb 2026 09:20:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-10 20:26:24.845044
- Title: Deep Variable-Length Feedback Codes
- Title（参考訳）: 可変長フィードバック符号
- Authors: Yu Ding, Yulin Shao,
- Abstract要約: 本稿では、学習フィードバックによる伝送長を動的に調整するフレキシブルコーディングフレームワークであるDeepVLF(Deep Variable-Length Feedback)のコーディングについて紹介する。
AWGNと5G-NRのフェージングチャネルに対する評価は、DeepVLFが最先端の学習フィードバックコードを大幅に上回っていることを示している。
同じブロックエラー率を20%から55%のチャネル使用率で達成し、特にハイレートなシステムでは、エラーフロアを桁違いに小さくする。
- 参考スコア（独自算出の注目度）: 18.72703384854883
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep learning has enabled significant advances in feedback-based channel coding, yet existing learned schemes remain fundamentally limited: they employ fixed block lengths, suffer degraded performance at high rates, and cannot fully exploit the adaptive potential of feedback. This paper introduces Deep Variable-Length Feedback (DeepVLF) coding, a flexible coding framework that dynamically adjusts transmission length via learned feedback. We propose two complementary architectures: DeepVLF-R, where termination is receiver-driven, and DeepVLF-T, where the transmitter controls termination. Both architectures leverage bit-group partitioning and transformer-based encoder-decoder networks to enable fine-grained rate adaptation in response to feedback. Evaluations over AWGN and 5G-NR fading channels demonstrate that DeepVLF substantially outperforms state-of-the-art learned feedback codes. It achieves the same block error rate with 20%-55% fewer channel uses and lowers error floors by orders of magnitude, particularly in high-rate regimes. Encoding dynamics analysis further reveals that the models autonomously learn a two-phase strategy analogous to classical Schalkwijk-Kailath coding: an initial information-carrying phase followed by a noise-cancellation refinement phase. This emergent behavior underscores the interpretability and information-theoretic alignment of the learned codes.
- Abstract（参考訳）: ディープラーニングはフィードバックに基づくチャネルコーディングの大幅な進歩を実現しているが、既存の学習スキームは基本的に制限されている。
本稿では、学習フィードバックによる伝送長を動的に調整するフレキシブルコーディングフレームワークであるDeepVLF(Deep Variable-Length Feedback)のコーディングについて紹介する。
本稿では,送信側が終端を制御するDeepVLF-Rと,送信側が終端を制御するDeepVLF-Tという2つの補完アーキテクチャを提案する。
どちらのアーキテクチャもビットグループパーティショニングとトランスフォーマーベースのエンコーダデコーダネットワークを利用して、フィードバックに応じて微粒なレート適応を可能にする。
AWGNと5G-NRのフェージングチャネルに対する評価は、DeepVLFが最先端の学習フィードバックコードを大幅に上回っていることを示している。
同じブロックエラー率を20%から55%のチャネル使用率で達成し、特にハイレートなシステムでは、エラーフロアを桁違いに小さくする。
力学解析のエンコードにより、モデルはさらに、古典的なシュルクヴィーク=ケイラート符号に類似した2相戦略を自律的に学習することを明らかにしている。
この創発的な振る舞いは、学習されたコードの解釈可能性と情報理論的アライメントを強調する。
関連論文リスト
- Generalization Bounds for Transformer Channel Decoders [61.55280736553095]
本稿では,ECCTの一般化性能を学習理論の観点から検討する。
我々の知る限りでは、この研究はこの種のデコーダに対する最初の理論的一般化保証を提供する。
論文 参考訳（メタデータ） (2026-01-11T15:56:37Z) - Learning Binary Autoencoder-Based Codes with Progressive Training [1.8620637029128544]
オートエンコーダ(AE)ベースのアプローチは、通信システムのエンドツーエンド設計に注目されている。
これらの結果から, コンパクトAEアーキテクチャは, 安定かつ素直な訓練により, 構造的, 代数的最適二項符号を効果的に学習できることが示唆された。
論文 参考訳（メタデータ） (2025-11-12T11:32:03Z) - Joint Channel Estimation and Feedback with Masked Token Transformers in
Massive MIMO Systems [74.52117784544758]
本稿では,CSI行列内の固有周波数領域相関を明らかにするエンコーダデコーダに基づくネットワークを提案する。
エンコーダ・デコーダネットワーク全体がチャネル圧縮に使用される。
提案手法は,共同作業における現状のチャネル推定およびフィードバック技術より優れる。
論文 参考訳（メタデータ） (2023-06-08T06:15:17Z) - Robust Non-Linear Feedback Coding via Power-Constrained Deep Learning [7.941112438865385]
我々は,チャネルノイズに対するロバスト性を大幅に向上させる非線形フィードバック符号の新たなファミリーを開発する。
我々のオートエンコーダベースのアーキテクチャは、連続するビットブロックに基づいてコードを学ぶように設計されている。
提案手法は, 現実的なフォワードやフィードバックノイズシステムよりも, 最先端のフィードバックコードよりも優れていることを示す。
論文 参考訳（メタデータ） (2023-04-25T22:21:26Z) - Denoising Diffusion Error Correction Codes [92.10654749898927]
近年、ニューラルデコーダは古典的デコーダ技術に対する優位性を実証している。
最近の最先端のニューラルデコーダは複雑で、多くのレガシデコーダの重要な反復的スキームが欠如している。
本稿では,任意のブロック長の線形符号のソフトデコードにデノナイズ拡散モデルを適用することを提案する。
論文 参考訳（メタデータ） (2022-09-16T11:00:50Z) - Deep Learning-Based Intra Mode Derivation for Versatile Video Coding [65.96100964146062]
本稿では,Deep Learning based intra Mode Derivation (DLIMD) と呼ばれるインテリジェントイントラモード導出法を提案する。
DLIMDのアーキテクチャは、異なる量子化パラメータ設定と、非平方要素を含む可変符号化ブロックに適応するように開発されている。
提案手法は,Versatile Video Coding (VVC) テストモデルを用いて,Y, U, Vコンポーネントの平均ビットレートを2.28%, 1.74%, 2.18%削減できる。
論文 参考訳（メタデータ） (2022-04-08T13:23:59Z) - Error Correction Code Transformer [92.10654749898927]
本稿では,トランスフォーマーアーキテクチャを任意のブロック長で線形符号のソフトデコードに拡張することを提案する。
我々は,各チャネルの出力次元を高次元に符号化し,個別に処理すべきビット情報のより良い表現を行う。
提案手法は、トランスフォーマーの極端なパワーと柔軟性を示し、既存の最先端のニューラルデコーダを、その時間的複雑さのごく一部で大きなマージンで上回る。
論文 参考訳（メタデータ） (2022-03-27T15:25:58Z) - DRF Codes: Deep SNR-Robust Feedback Codes [2.6074034431152344]
本稿では,DNN(Deep-neural-network)に基づく誤り訂正符号を提案する。
付加的な白色ガウス雑音 (AWGN) チャネルにおけるSNR損耗率と誤り率の両面から, DRF符号の精度は, 高い結果が得られた。
論文 参考訳（メタデータ） (2021-12-22T10:47:25Z) - Deep Learning-based Implicit CSI Feedback in Massive MIMO [68.81204537021821]
ニューラルネットワーク(NN)を用いて,プリコーディング行列インジケータ(PMI)符号化とデコードモジュールを置き換える,低オーバヘッド特性を継承するDLベースの暗黙的フィードバックアーキテクチャを提案する。
1つのリソースブロック(RB)では、2つのアンテナ構成下のタイプIコードブックと比較して25.0%と40.0%のオーバーヘッドを節約できる。
論文 参考訳（メタデータ） (2021-05-21T02:43:02Z) - Deep Extended Feedback Codes [9.112162560071937]
DEFアーキテクチャのエンコーダは情報メッセージを送信し、その後にパリティシンボルのシーケンスが続く。
DEFコードはDeepcodeをいくつかの方法で一般化し、より良いエラー修正機能を提供します。
性能評価では、DEF符号はフィードバックのあるチャンネルの他のDNN符号よりも優れた性能を示す。
論文 参考訳（メタデータ） (2021-05-04T08:41:14Z)
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。