論文の概要: A Perception vs. Distortion Perspective on Score-Based Generative Channel Estimation

• arxiv url: http://arxiv.org/abs/2606.16815v1
• Date: Mon, 15 Jun 2026 15:00:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 16:21:34.652934
• Title: A Perception vs. Distortion Perspective on Score-Based Generative Channel Estimation
• Title（参考訳）: スコアベース生成チャネル推定における知覚対歪みの視点
• Authors: Marco Skocaj, Lukas Eller, Mate Boban,
• Abstract要約: 本稿では,スコアに基づくチャネル推定の理論的な解釈を提案する。 標準歪み最小化法により生じる余剰リスクを定量化する。 高い予測の不確実性の下では、過大なリスクギャップはスコアベースの推定によって相殺することができる。
• 参考スコア（独自算出の注目度）: 2.378977673869692
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Driven by their remarkable success in computer vision and inverse problem solving, score-based models are increasingly applied to wireless communications, where they show promise across a range of physical-layer tasks. However, despite this growing interest, the current literature often lacks a rigorous analysis of when score-matching offers a tangible advantage over traditional discriminative learning. This paper aims to address this gap through the use-case of channel estimation, a fundamental inverse problem in wireless systems. We present a theoretically grounded interpretation of score-based channel estimation through the lens of the perception-distortion tradeoff, identifying the conditions where score matching excels as well as its key limitations. In particular, by modeling downstream wireless tasks (e.g., capacity maximization) as functionals of the channel estimation process, we quantify the excess risk incurred by standard distortion-minimization approaches. Extensive numerical results show that under high predictive uncertainty, the large excess risk gap can be offset by score-based estimation, enabling near Bayesian-optimal precoding via the learned posterior, whereas in the low predictive uncertainty regime, discriminative distortion-minimization approaches are preferable due to lower complexity and more efficient use of model capacity.
• Abstract（参考訳）: コンピュータビジョンと逆問題解決において顕著な成功を収めたことから、スコアベースのモデルは無線通信にますます適用され、様々な物理層タスクの約束が示されるようになっている。 しかし、この関心が高まっているにもかかわらず、現在の文献は、伝統的な差別的学習に対して、スコアマッチングが有意義な優位性を提供するときの厳密な分析を欠いていることが多い。 本稿では,無線システムの基本的逆問題であるチャネル推定を用いて,このギャップに対処することを目的とする。 本稿では,知覚歪トレードオフのレンズによるスコアベースチャネル推定の理論的基礎的解釈を行い,スコアマッチングが優れる条件と,その鍵となる制約を同定する。 特に、チャネル推定プロセスの関数として下流無線タスク(例えばキャパシティ最大化)をモデル化することにより、標準歪み最小化手法によって生じる余剰リスクを定量化する。 高い予測的不確実性の下では、スコアベース推定によって大きな余剰リスクギャップがオフセットされ、学習後部を経由したベイズ最適プリコーディングが可能であるのに対し、低予測的不確実性状態においては、より低い複雑さとより効率的なモデルキャパシティの使用により、識別的歪み最小化アプローチが好ましいことを示す。

関連論文リスト

• Tailoring Strictly Proper Scoring Rules for Downstream Tasks: An Application to Causal Inference [48.78219918881965]
  本稿では,ダウンストリーム誤差メトリックの局所曲率をマッチングすることにより,タスク固有の厳密なスコアリングルールを導出するフレームワークを提案する。 これを平均処理効果 (ATE) 推定に適用し, 閉形式損失と対応する正準確率写像を導出する。
  論文  参考訳（メタデータ） (2026-06-02T08:41:25Z)
• Possibilistic Predictive Uncertainty for Deep Learning [75.00607359322863]
  Dirichlet-approximated possibilistic rear predictions (DAPPr)を紹介する。 DAPPrは可能性理論を利用した原則的なフレームワークである。 この射影近似戦略は閉形式解を用いた単純な訓練目標を与える。
  論文  参考訳（メタデータ） (2026-05-01T12:14:01Z)
• Embedding generalization within the learning dynamics: An approach based-on sample path large deviation theory [0.0]
  本研究では,持続的視点から手法を利用する経験的リスク摂動に基づく学習問題を考察する。 大規模偏差のFreidlin-Wentzell理論に基づく小雑音限界の推定を行う。 また、最適点推定に繋がる変分問題を解く計算アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-08-04T23:31:35Z)
• Doubly Robust Causal Effect Estimation under Networked Interference via Targeted Learning [24.63284452991301]
  ネットワーク干渉下での2つの頑健な因果効果推定器を提案する。 具体的には,対象とする学習手法をネットワーク干渉設定に一般化する。 我々は、同定された理論条件を目標損失に変換することによって、エンドツーエンドの因果効果推定器を考案する。
  論文  参考訳（メタデータ） (2024-05-06T10:49:51Z)
• Unmasking Bias in Diffusion Model Training [40.90066994983719]
  拡散モデルが画像生成の主流のアプローチとして登場した。 トレーニングの収束が遅く、サンプリングのカラーシフトの問題に悩まされている。 本稿では,これらの障害は,既定のトレーニングパラダイムに固有のバイアスや準最適性に大きく起因していると考えられる。
  論文  参考訳（メタデータ） (2023-10-12T16:04:41Z)
• Residual Error: a New Performance Measure for Adversarial Robustness [85.0371352689919]
  ディープラーニングの広く普及を制限する大きな課題は、敵の攻撃に対する脆弱さである。 本研究は,ディープニューラルネットワークの対角強靭性を評価するための新しい性能尺度である残留誤差の概念を提示する。 画像分類を用いた実験結果から,提案手法の有効性と有効性を示した。
  論文  参考訳（メタデータ） (2021-06-18T16:34:23Z)
• Accurate and Robust Feature Importance Estimation under Distribution Shifts [49.58991359544005]
  PRoFILEは、新しい特徴重要度推定法である。 忠実さと頑健さの両面で、最先端のアプローチよりも大幅に改善されていることを示す。
  論文  参考訳（メタデータ） (2020-09-30T05:29:01Z)
• Ramifications of Approximate Posterior Inference for Bayesian Deep Learning in Adversarial and Out-of-Distribution Settings [7.476901945542385]
  ベイジアン深層学習モデルが従来のニューラルネットワークよりわずかに優れていることを示す。 予備的な調査は、初期化、アーキテクチャ、アクティベーション関数の選択によるバイアスの潜在的固有の役割を示している。
  論文  参考訳（メタデータ） (2020-09-03T16:58:15Z)

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。