Fugu-MT 論文翻訳(概要): Sequential Neural Probabilistic Amplitude Shaping: Learning the Channel's Language

論文の概要: Sequential Neural Probabilistic Amplitude Shaping: Learning the Channel's Language

arxiv url: http://arxiv.org/abs/2605.28143v1
Date: Wed, 27 May 2026 08:25:18 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-28 17:38:55.890537
Title: Sequential Neural Probabilistic Amplitude Shaping: Learning the Channel's Language
Title（参考訳）: 逐次的ニューラル確率振幅整形:チャンネル言語を学習する
Authors: Mohammad Taha Askari, Lutz Lampe, Amirhossein Ghazisaeidi,
Abstract要約: 実装の損失をすべて考慮しながら,既存の手法より優れる最初のニューラル確率振幅整形法を提案する。我々は,ブロックレスで実装が容易な逐次自己回帰エンコーダを用いて,算術的分布マッチングに適合し,レート損失を低減し,達成可能な情報レートを高くする。
参考スコア（独自算出の注目度）: 2.6279206947424845
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: We present the first neural probabilistic amplitude shaping that outperforms existing methods while accounting for all implementation losses, using a block-less, easily implementable sequential autoregressive encoder compatible with arithmetic distribution matching, yielding reduced rate loss and higher achievable information rates.
Abstract（参考訳）: 本稿では、ブロックレスで容易に実装可能な逐次自己回帰エンコーダを用いて、算術的分布マッチングと互換性のある逐次自己回帰エンコーダを用いることで、既存の実装損失を考慮しつつ、既存の手法より優れる最初のニューラル確率振幅整形法を提案する。

関連論文リスト

A convergent Plug-and-Play Majorization-Minimization algorithm for Poisson inverse problems [0.0]
本稿では,ポアソン逆問題に対する新しい変分プラグアンドプレイアルゴリズムを提案する。提案手法は,Kullback-Leiblerデータ忠実度項と,事前学習ニューラルネットワークに基づく正規化項の和である明示的関数を最小化する。
論文参考訳（メタデータ） (2026-03-25T10:25:20Z)
Small steps no more: Global convergence of stochastic gradient bandits for arbitrary learning rates [61.091122503406304]
勾配帯域幅アルゴリズムは, 経験的定値学習率を用いて, ほぼ確実にグローバルな最適ポリシーに収束することを示す。この結果は、標準の滑らかさと騒音制御の仮定が崩壊するシナリオにおいても、勾配アルゴリズムが適切な探索と利用のバランスを保ち続けていることを証明している。
論文参考訳（メタデータ） (2025-02-11T00:12:04Z)
DeepDFA: Automata Learning through Neural Probabilistic Relaxations [2.3326951882644553]
本稿では,決定論的有限オートマタ(DFA)をトレースから識別する新しい手法であるDeepDFAを紹介する。 DFAとリカレントニューラルネットワーク(RNN)の確率的緩和にインスパイアされた当社のモデルは、複雑性の低減とトレーニング効率の向上とともに、トレーニング後の解釈可能性を提供する。
論文参考訳（メタデータ） (2024-08-16T09:30:36Z)
Contraction-Guided Adaptive Partitioning for Reachability Analysis of Neural Network Controlled Systems [5.359060261460183]
非線形フィードバックループにおける区間値到達可能集合の推定値を改善するための収縮誘導適応分割アルゴリズムを提案する。ニューラルネットワーク検証ステップとリーチビリティパーティショニングレイヤの分離を活用することで、アルゴリズムは計算コストの少ない精度の向上を提供することができる。本稿では,現状の手法と比較して,ランタイムのごく一部において,到達可能な集合推定の精度が大幅に向上したことを報告する。
論文参考訳（メタデータ） (2023-04-07T14:43:21Z)
Semantic Strengthening of Neuro-Symbolic Learning [85.6195120593625]
ニューロシンボリックアプローチは一般に確率論的目的のファジィ近似を利用する。トラクタブル回路において,これを効率的に計算する方法を示す。我々は,Warcraftにおける最小コストパスの予測,最小コスト完全マッチングの予測,スドクパズルの解法という3つの課題に対して,アプローチを検証した。
論文参考訳（メタデータ） (2023-02-28T00:04:22Z)
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)
Short-Term Memory Optimization in Recurrent Neural Networks by Autoencoder-based Initialization [79.42778415729475]
線形オートエンコーダを用いた列列の明示的暗記に基づく代替解を提案する。このような事前学習が、長いシーケンスで難しい分類タスクを解くのにどのように役立つかを示す。提案手法は, 長周期の復元誤差をはるかに小さくし, 微調整時の勾配伝播を良くすることを示す。
論文参考訳（メタデータ） (2020-11-05T14:57:16Z)
AIN: Fast and Accurate Sequence Labeling with Approximate Inference Network [75.44925576268052]
線形鎖条件ランダム場(CRF)モデルは最も広く使われているニューラルネットワークラベリング手法の1つである。厳密な確率的推論アルゴリズムは典型的にはCRFモデルの訓練と予測段階に適用される。 CRFモデルに対して並列化可能な近似変分推論アルゴリズムを提案する。
論文参考訳（メタデータ） (2020-09-17T12:18:43Z)
Consistency Regularization for Certified Robustness of Smoothed Classifiers [89.72878906950208]
最近のランダムな平滑化技術は、最悪の$ell$-robustnessを平均ケースのロバストネスに変換することができることを示している。その結果,スムーズな分類器の精度と信頼性の高いロバスト性とのトレードオフは,ノイズに対する予測一貫性の規則化によって大きく制御できることが判明した。
論文参考訳（メタデータ） (2020-06-07T06:57:43Z)
Noise-Sampling Cross Entropy Loss: Improving Disparity Regression Via Cost Volume Aware Regularizer [38.86850327892113]
本稿では,ディープニューラルネットワークが生み出すコストを一様かつコヒーレントに調整するためのノイズサンプリングクロスエントロピー損失関数を提案する。実験により、提案されたノイズサンプリングクロスエントロピー損失は、ニューラルネットワークがより情報的なコストボリュームを学ぶのに役立つだけでなく、ステレオマッチング性能の向上につながることが検証された。
論文参考訳（メタデータ） (2020-05-18T15:29:55Z)

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。