論文の概要: Diffusion Denoiser Achievable Analysis for Finite Blocklength Unsourced Random Access

• arxiv url: http://arxiv.org/abs/2604.09904v1
• Date: Fri, 10 Apr 2026 20:58:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 20:13:15.738607
• Title: Diffusion Denoiser Achievable Analysis for Finite Blocklength Unsourced Random Access
• Title（参考訳）: 有限ブロック長アンソースランダムアクセスのための拡散デノイザ解析
• Abstract要約: 結合復号法における軽量な解析法としてデコーダ互換拡散復号器を導入する。 スコアネットワークは、チャネル出力分布から引き出されたサンプルに基づいてトレーニングされ、既存のコード設計と容易に統合できる。
• 参考スコア（独自算出の注目度）: 0.5672132510411464
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Polyanskiy proposed a framework for the unsourced multiple access channel (MAC) problem where users employ a common codebook in the finite blocklength regime. However, existing approaches handle channel noise before the joint decoder. In this work, we introduce a decoder compatible diffusion denoiser as a lightweight analysis within joint decoding. The score network is trained on samples drawn from the channel output distribution, making the method easy to integrate with existing code designs. In our theoretical analysis, we derive a diffusion-denoiser random-coding achievable bound that is strictly tighter. Simulations on existing decoders, including FASURA, MSUG-MRA and pilot-based method, show consistent performance gains with at least a $0.5$ $\mathrm{dB}$ improvement in required $\mathrm{E_b/N_0}$ at a fixed error target.
• Abstract（参考訳）: Polyanskiy氏は、無制限のマルチアクセスチャネル(MAC)問題のためのフレームワークを提案している。 しかし、既存のアプローチでは、ジョイントデコーダの前にチャネルノイズを処理している。 本研究では, 関節復号における軽量な解析手法としてデコーダ互換拡散復号器を提案する。 スコアネットワークは、チャネル出力分布から引き出されたサンプルに基づいてトレーニングされ、既存のコード設計と容易に統合できる。 理論的解析では、より厳密な拡散デノイザランダム符号化可能境界を導出する。 FASURA、MSUG-MRA、パイロットベースの手法を含む既存のデコーダのシミュレーションでは、最低でも0.5$$\mathrm{dB}$、固定エラーターゲットでの$\mathrm{E_b/N_0}$の改善により、一貫したパフォーマンス向上を示す。

関連論文リスト

• Proof of a finite threshold for the union-find decoder [0.9558392439655014]
  本稿では,回路レベルの局所誤差モデルに基づく表面符号上でのUnion-find(UF)デコーダに対する有限しきい値の証明を行う。 また,より単純なデコーダであるgreedyデコーダの有限しきい値が得られることを示す。 これらの結果は、フォールトトレラント量子コンピュータの開発において、UFベースのデコーダを実用化するための確かな理論基盤を提供する。
  論文  参考訳（メタデータ） (2026-02-23T19:00:00Z)
• Land-then-transport: A Flow Matching-Based Generative Decoder for Wireless Image Transmission [38.71668959954467]
  低遅延デコーディングのためのフローマッチング生成デコーダを提案する。 JPEG2000+LDPC、DeepJSCC、拡散ベースラインに対して一貫した利得を示す実験がある。 LTTは、無線画像デコード生成のための決定論的、物理的に解釈可能、効率的なフレームワークを提供する。
  論文  参考訳（メタデータ） (2026-01-12T13:09:37Z)
• Adversarial Jamming for Autoencoder Distribution Matching [45.91787704667618]
  本稿では,オートエンコーダの潜伏空間を正規化するために,対向無線ジャミングを用いることを提案する。 我々は標準変分オートエンコーダとワッサーシュタインオートエンコーダに匹敵する分布を実現する。
  論文  参考訳（メタデータ） (2025-12-02T13:23:25Z)
• MaskPro: Linear-Space Probabilistic Learning for Strict (N:M)-Sparsity on Large Language Models [53.36415620647177]
  半構造化された空間は、M$M$の重みからN$の要素を戦略的に保持することで、有望なソリューションを提供する。 既存の(N:M)互換のアプローチは通常、かなりのエラーに悩まされるルールベースの階層的な欲求探索と、禁止的なトレーニングコストを引き起こす勾配駆動学習の2つのカテゴリに分類される。 MaskProという新しい線形空間確率的フレームワークを提案する。これは、M$連続重みごとに事前のカテゴリー分布を学習し、その後、この分布を活用して(N:M)スパーシリティを$N$-wayサンプリングを通じて生成することを目的としている。
  論文  参考訳（メタデータ） (2025-06-15T15:02:59Z)
• I Think, Therefore I Diffuse: Enabling Multimodal In-Context Reasoning in Diffusion Models [50.34197948438868]
  ThinkDiffは、マルチモーダルなインコンテキスト理解と推論機能を備えたテキストから画像への拡散モデルを強化するアライメントパラダイムである。 我々はThinkDiffの精度が19.2%から46.3%に大幅に向上したことを示す。 また、複数の画像やテキストを論理的に一貫性のある画像に合成する際、例外的な性能を示す。
  論文  参考訳（メタデータ） (2025-02-12T05:30:08Z)
• Near-Optimal Online Learning for Multi-Agent Submodular Coordination: Tight Approximation and Communication Efficiency [52.60557300927007]
  離散部分モジュラー問題を連続的に最適化するために,$textbfMA-OSMA$アルゴリズムを提案する。 また、一様分布を混合することによりKLの発散を効果的に活用する、プロジェクションフリーな$textbfMA-OSEA$アルゴリズムも導入する。 我々のアルゴリズムは最先端OSGアルゴリズムによって提供される$(frac11+c)$-approximationを大幅に改善する。
  論文  参考訳（メタデータ） (2025-02-07T15:57:56Z)
• Estimating the Decoding Failure Rate of Binary Regular Codes Using Iterative Decoding [84.0257274213152]
  並列ビットフリップデコーダのDFRを高精度に推定する手法を提案する。 本研究は,本症候群のモデル化およびシミュレーションによる重み比較,第1イテレーション終了時の誤りビット分布の誤検出,復号化復号化率(DFR)について検証した。
  論文  参考訳（メタデータ） (2024-01-30T11:40:24Z)
• Variational Diffusion Auto-encoder: Latent Space Extraction from Pre-trained Diffusion Models [0.0]
  可変オートエンコーダ(VAE)は、生成された画像の品質の問題に直面し、しばしば目立った曖昧さを示す。 この問題は、条件付きデータ分布を近似する非現実的な仮定である $p(textbfx | textbfz)$ が等方ガウス的であることに由来する。 本稿では,エンコーダを最適化することにより,既存の拡散モデルから潜在空間を抽出し,限界データのログ化を最大化する方法について述べる。
  論文  参考訳（メタデータ） (2023-04-24T14:44:47Z)
• Machine Learning-Aided Efficient Decoding of Reed-Muller Subcodes [59.55193427277134]
  Reed-Muller (RM) 符号は、一般的なバイナリインプットメモリレス対称チャネルの容量を達成する。 RM符号は制限されたレートのみを許容する。 効率的なデコーダは、RM符号に対して有限長で利用可能である。
  論文  参考訳（メタデータ） (2023-01-16T04:11:14Z)
• Low PAPR MIMO-OFDM Design Based on Convolutional Autoencoder [20.544993155126967]
  ピーク対平均電力比(mathsfPAPR$)削減と波形設計のための新しい枠組みを提案する。 畳み込みオートコーダ(mathsfCAE$)アーキテクチャが提示される。 1つのトレーニングされたモデルが、幅広いSNRレベルにわたって、$mathsfPAPR$の削減、スペクトル設計、および$mathsfMIMO$の検出のタスクをカバーしていることを示す。
  論文  参考訳（メタデータ） (2023-01-11T11:35:10Z)
• 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)

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。