論文の概要: LOREN: Low Rank-Based Code-Rate Adaptation in Neural Receivers

• arxiv url: http://arxiv.org/abs/2602.10770v1
• Date: Wed, 11 Feb 2026 12:00:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-12 21:44:01.844851
• Title: LOREN: Low Rank-Based Code-Rate Adaptation in Neural Receivers
• Title（参考訳）: LOREN: ニューラルレシーバにおける低ランクコードレート適応
• Authors: Bram Van Bolderik, Vlado Menkovski, Sonia Heemstra de Groot, Manil Dev Gomony,
• Abstract要約: ニューラルネットワークベースの受信機は,近年,従来の受信機よりも優れたシステムレベルの性能を示している。 最小限のオーバーヘッドで適応性を実現する低ランク方式のコードレート適応ニューラルレシーバであるLORENを提案する。 22nm技術におけるLORENのハードウェア実装は、シリコン領域の65%以上を節約し、3つのコードレートをサポートする場合に最大15%の電力削減を達成している。
• 参考スコア（独自算出の注目度）: 3.50220364037223
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Neural network based receivers have recently demonstrated superior system-level performance compared to traditional receivers. However, their practicality is limited by high memory and power requirements, as separate weight sets must be stored for each code rate. To address this challenge, we propose LOREN, a Low Rank-Based Code-Rate Adaptation Neural Receiver that achieves adaptability with minimal overhead. LOREN integrates lightweight low rank adaptation adapters (LOREN adapters) into convolutional layers, freezing a shared base network while training only small adapters per code rate. An end-to-end training framework over 3GPP CDL channels ensures robustness across realistic wireless environments. LOREN achieves comparable or superior performance relative to fully retrained base neural receivers. The hardware implementation of LOREN in 22nm technology shows more than 65% savings in silicon area and up to 15% power reduction when supporting three code rates.
• Abstract（参考訳）: ニューラルネットワークベースの受信機は,近年,従来の受信機よりも優れたシステムレベルの性能を示している。 しかし、それらの実用性は高いメモリと電力の要求によって制限される。 この課題に対処するために、最小限のオーバーヘッドで適応性を実現する低ランクのコードレート適応ニューラルレシーバであるLORENを提案する。 LORENは軽量な低ランク適応アダプタ(LORENアダプタ)を畳み込み層に統合し、共有ベースネットワークを凍結し、コードレート毎に小さなアダプタのみをトレーニングする。 3GPP CDLチャネル上のエンドツーエンドのトレーニングフレームワークは、現実的な無線環境における堅牢性を保証する。 LORENは、完全に再訓練されたベースニューラル受信機と比較して、同等または優れた性能を達成する。 22nm技術におけるLORENのハードウェア実装は、シリコン領域の65%以上を節約し、3つのコードレートをサポートする場合に最大15%の電力削減を達成している。

関連論文リスト

• Sim2Real Deep Transfer for Per-Device CFO Calibration [23.830491251004513]
  既存のディープニューラルネットワーク(DNN)ベースのアプローチでは、デバイスレベルの適応が欠如しており、実際のデプロイメントが制限されている。 本稿では、シミュレーション駆動プレトレーニングと軽量レシーバ適応を組み合わせた、デバイス毎のCFO校正のためのSim2Real転送学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-15T10:36:33Z)
• Encoding Optimization for Low-Complexity Spiking Neural Network Equalizers in IM/DD Systems [49.34817254755008]
  スパイキングニューラルネットワーク(SNN)の最適化のための強化学習に基づくアルゴリズムを提案する。 IM/DDシステムにおけるSNNベースの等化器とデマッパーに適用することにより,計算負荷とネットワークサイズを低減し,性能を向上させる。
  論文  参考訳（メタデータ） (2025-08-19T12:32:13Z)
• AdaptSR: Low-Rank Adaptation for Efficient and Scalable Real-World Super-Resolution [50.584551250242235]
  AdaptSRは、現実世界のタスクにバイキュービックトレーニングされたSRモデルを効率的に再利用する低ランク適応フレームワークである。 実験の結果,AdaptSRはPSNRで最大4dB,実際のSRベンチマークで2%,GAN法と拡散型SR法より優れていた。
  論文  参考訳（メタデータ） (2025-03-10T18:03:18Z)
• FusionLLM: A Decentralized LLM Training System on Geo-distributed GPUs with Adaptive Compression [55.992528247880685]
  分散トレーニングは、システム設計と効率に関する重要な課題に直面します。 大規模深層ニューラルネットワーク(DNN)のトレーニング用に設計・実装された分散トレーニングシステムFusionLLMを提案する。 本システムと手法は,収束性を確保しつつ,ベースライン法と比較して1.45～9.39倍の高速化を実現可能であることを示す。
  論文  参考訳（メタデータ） (2024-10-16T16:13:19Z)
• Toward Efficient Convolutional Neural Networks With Structured Ternary Patterns [1.1965844936801797]
  畳み込みニューラルネットワーク(ConvNets)は、ローカルデバイスリソースに厳しい要求を課す。 本稿では,静的畳み込みフィルタを用いて効率的なConvNetアーキテクチャの設計を行う。
  論文  参考訳（メタデータ） (2024-07-20T10:18:42Z)
• Boosted Neural Decoders: Achieving Extreme Reliability of LDPC Codes for 6G Networks [15.190674451882964]
  6Gネットワーク内の超信頼性・低遅延通信(xURLLC)の次世代では、フレームエラー率(FER)が10-9ドル以下である。 低密度パリティチェック(LDPC)符号は5Gニューラジオ(NR)の標準規格であり、エラーフロア現象と呼ばれる課題に直面している。 本稿では,ニューラル・ミニサム(NMS)デコーダの高速化という革新的な手法を提案する。
  論文  参考訳（メタデータ） (2024-05-22T07:48:24Z)
• Training Neural Networks from Scratch with Parallel Low-Rank Adapters [46.764982726136054]
  計算ノード間の複数の低ランクヘッドの並列トレーニングを実現するために設計された,新しい双方向最適化アルゴリズムである LoRA-the-Explorer (LTE) を導入する。 我々のアプローチには、様々なビジョンデータセットを用いたビジョントランスフォーマーの広範な実験が含まれており、LTEが標準の事前トレーニングと競合していることが示されている。
  論文  参考訳（メタデータ） (2024-02-26T18:55:13Z)
• A Comparison of Semi-Supervised Learning Techniques for Streaming ASR at Scale [64.10124092250126]
  大規模ラベル付きコーパスの欠如により、ASRの性能向上のための主流の手法として、アンペアテキストとオーディオインジェクションが出現している。 本研究では,未ペアテキストと音声の両方を含む最先端の3つの半教師手法と,それらの組み合わせを制御された環境で比較する。 我々の設定では、これらの手法は、末尾語WERの大幅な向上、推論時のデコーダ計算、格子密度など、生のWERを超える多くの改善を提供する。
  論文  参考訳（メタデータ） (2023-04-19T18:09:27Z)
• Adaptive Target-Condition Neural Network: DNN-Aided Load Balancing for Hybrid LiFi and WiFi Networks [19.483289519348315]
  機械学習は、複雑性に優しいロードバランシングソリューションを提供する可能性がある。 学習支援のSOTA(State-of-the-art)は,ネットワーク環境が変化すると再学習を必要とする。 適応目標条件ニューラルネットワーク(A-TCNN)と呼ばれる新しいディープニューラルネットワーク(DNN)構造を提案する。
  論文  参考訳（メタデータ） (2022-08-09T20:46:13Z)
• Model-based Deep Learning Receiver Design for Rate-Splitting Multiple Access [65.21117658030235]
  本研究では,モデルベース深層学習(MBDL)に基づく実用的なRSMA受信機の設計を提案する。 MBDL受信機は、符号なしシンボル誤り率(SER)、リンクレベルシミュレーション(LLS)によるスループット性能、平均トレーニングオーバーヘッドの観点から評価される。 その結果,MBDLはCSIRが不完全なSIC受信機よりも優れていた。
  論文  参考訳（メタデータ） (2022-05-02T12:23:55Z)

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。