論文の概要: A Tensor-Train Framework for Bayesian Inference in High-Dimensional Systems: Applications to MIMO Detection and Channel Decoding

• arxiv url: http://arxiv.org/abs/2604.05890v1
• Date: Tue, 07 Apr 2026 13:53:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-08 17:42:09.866275
• Title: A Tensor-Train Framework for Bayesian Inference in High-Dimensional Systems: Applications to MIMO Detection and Channel Decoding
• Title（参考訳）: 高次元システムにおけるベイズ推論のためのテンソルトレインフレームワーク:MIMO検出とチャネルデコードへの応用
• Authors: Luca Schmid, Dominik Sulz, Shrinivas Chimmalgi, Laurent Schmalen,
• Abstract要約: 本稿では,加法雑音モデルにおけるほぼ最適ベイズ推定のためのテンソルトレイン(TT)フレームワークを提案する。 現実的な推論手法は、トラッピングされたテイラー系列を持つTTクロスアルゴリズムを用いて、ログポストの指数関数を近似する。 数値計算の結果,信号対雑音比の広い範囲において,誤差速度がほぼ最適であることが示唆された。
• 参考スコア（独自算出の注目度）: 4.181178496700224
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Bayesian inference in high-dimensional discrete-input additive noise models is a fundamental challenge in communication systems, as the support of the required joint a posteriori probability (APP) mass function grows exponentially with the number of unknown variables. In this work, we propose a tensor-train (TT) framework for tractable, near-optimal Bayesian inference in discrete-input additive noise models. The central insight is that the joint log-APP mass function admits an exact low-rank representation in the TT format, enabling compact storage and efficient computations. To recover symbol-wise APP marginals, we develop a practical inference procedure that approximates the exponential of the log-posterior using a TT-cross algorithm initialized with a truncated Taylor-series. To demonstrate the generality of the approach, we derive explicit low-rank TT constructions for two canonical communication problems: the linear observation model under additive white Gaussian noise (AWGN), applied to multiple-input multiple-output (MIMO) detection, and soft-decision decoding of binary linear block error correcting codes over the binary-input AWGN channel. Numerical results show near-optimal error-rate performance across a wide range of signal-to-noise ratios while requiring only modest TT ranks. These results highlight the potential of tensor-network methods for efficient Bayesian inference in communication systems.
• Abstract（参考訳）: 高次元離散入出力付加雑音モデルにおけるベイズ推定は、要求される関節の後続確率(APP)質量関数の支持が未知変数の数とともに指数関数的に増加するため、通信システムにおける基本的な課題である。 本研究では,離散入力付加雑音モデルにおける抽出可能な準最適ベイズ推定のためのテンソルトレイン(TT)フレームワークを提案する。 中心的な洞察は、結合対数APPの質量関数がTTフォーマットの正確な低ランク表現を許容し、コンパクトな記憶と効率的な計算を可能にすることである。 そこで本研究では,Toryl-Series で初期化された TT-cross アルゴリズムを用いて,ログポストの指数関数を近似する実用的な推論手法を開発した。 提案手法の汎用性を示すために,加法的白色ガウス雑音(AWGN)下での線形観測モデル,多重出力多重出力(MIMO)検出への応用,バイナリインプットAWGNチャネル上のバイナリ線形ブロック誤り訂正符号のソフトデコード,の2つの標準通信問題に対して,明示的な低ランクTT構成を導出する。 数値計算の結果,TTランクのみを必要としながら,信号対雑音比の広い範囲において,誤差率がほぼ最適であった。 これらの結果は、通信システムにおける効率的なベイズ推論のためのテンソルネットワーク手法の可能性を強調している。

関連論文リスト

• Learning to Separate RF Signals Under Uncertainty: Detect-Then-Separate vs. Unified Joint Models [53.79667447811139]
  受信した信号に直接適用した場合、単一のディープニューラルネットワークアーキテクチャが共同で検出および分離することを学習していることを示す。 これらの結果から,UJM は DTS に代わるスケーラブルで実用的な代替品であり,広範に推定された統合分離のための新たな方向を開拓した。
  論文  参考訳（メタデータ） (2026-02-04T15:25:02Z)
• When Bayesian Tensor Completion Meets Multioutput Gaussian Processes: Functional Universality and Rank Learning [53.17227599983122]
  関数テンソル分解は実数値インデックスを用いて多次元データを解析することができる。 そこで本研究では,Right-Revealing Functional Low-rank tensor completion (RR-F)法を提案する。 連続多次元信号に対するモデルの普遍近似特性を確立する。
  論文  参考訳（メタデータ） (2025-12-25T03:15:52Z)
• Fast Bayesian Updates via Harmonic Representations [8.201374511929538]
  本稿では,高調波解析を利用した高速ベイズ更新のための新しい統一フレームワークを提案する。 我々は、ベイズ更新規則をスペクトル畳み込みに変換するために、適切なベースで事前および可能性を表現することを実証する。 計算可能性を実現するために,スムーズな関数に対して,例外的に正確な有限次元近似を与えるスペクトルトランケーション方式を導入する。
  論文  参考訳（メタデータ） (2025-11-10T11:28:33Z)
• Data-Adaptive Transformed Bilateral Tensor Low-Rank Representation for Clustering [17.14664384622625]
  本稿では,TBTLRRと呼ばれる二元的低ランク表現モデルを提案する。 核ノルムを任意のユニタリユニタリで統合し、グローバルデータのより効果的なキャプチャを可能にする。 画像と潜時相関の局所的相関を利用することができる。
  論文  参考訳（メタデータ） (2025-10-22T23:25:44Z)
• Scalable Bayesian Tensor Ring Factorization for Multiway Data Analysis [24.04852523970509]
  非パラメトリック乗算ガンマプロセス(MGP)を前もって組み込んだ新しいBTRモデルを提案する。 離散データを扱うために、クローズドフォーム更新のためのP'olya-Gamma拡張を導入する。 そこで我々は,従来のVIアルゴリズムの計算複雑性を2桁に減らした,一貫した後続シミュレーションのための効率的なギブスサンプリング器を開発した。
  論文  参考訳（メタデータ） (2024-12-04T13:55:14Z)
• Score-based Diffusion Models in Function Space [137.70916238028306]
  拡散モデルは、最近、生成モデリングの強力なフレームワークとして登場した。 この研究は、関数空間における拡散モデルをトレーニングするためのDDO(Denoising Diffusion Operators)と呼ばれる数学的に厳密なフレームワークを導入する。 データ解像度に依存しない固定コストで、対応する離散化アルゴリズムが正確なサンプルを生成することを示す。
  論文  参考訳（メタデータ） (2023-02-14T23:50:53Z)
• Neural Calibration for Scalable Beamforming in FDD Massive MIMO with Implicit Channel Estimation [10.775558382613077]
  チャネル推定とビームフォーミングは、周波数分割二重化(FDD)大規模マルチインプット多重出力(MIMO)システムにおいて重要な役割を果たす。 受信したアップリンクパイロットに応じて,基地局のビームフォーマを直接最適化する深層学習方式を提案する。 エンド・ツー・エンドの設計のスケーラビリティを向上させるために,ニューラルキャリブレーション法を提案する。
  論文  参考訳（メタデータ） (2021-08-03T14:26:14Z)
• Learning Frequency Domain Approximation for Binary Neural Networks [68.79904499480025]
  フーリエ周波数領域における符号関数の勾配を正弦関数の組み合わせを用いて推定し,BNNの訓練を行う。 いくつかのベンチマークデータセットとニューラルネットワークの実験により、この手法で学習したバイナリネットワークが最先端の精度を達成することが示されている。
  論文  参考訳（メタデータ） (2021-03-01T08:25:26Z)

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。