Fugu-MT 論文翻訳(概要): Learning-to-Transition for Large-scale and High-Order MIMO Detection

論文の概要: Learning-to-Transition for Large-scale and High-Order MIMO Detection

arxiv url: http://arxiv.org/abs/2608.14511v1
Date: Fri, 14 Aug 2026 17:29:07 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-17 20:14:29.453603
Title: Learning-to-Transition for Large-scale and High-Order MIMO Detection
Title（参考訳）: 大規模・高次MIMO検出のための学習から移行
Abstract要約: 高次多重出力多重出力(MIMO)検出は、チャネル復号のための信頼性の高いソフト情報を生成しながら、大きな離散シンボル空間を効率的に探索する必要がある。本稿では,完全ベクトル遷移の列として検出を定式化するL2Tフレームワークを開発する。
参考スコア（独自算出の注目度）: 8.466137737881548
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: High-order multiple-input multiple-output (MIMO) detection requires efficient search over a large discrete symbol space while producing reliable soft information for channel decoding. This paper develops a learning-to-transition (L2T) framework that formulates MIMO detection as a stochastic sequence of complete-vector transitions. At each transition, a channel-coupled Transformer updates both the instance embedding and the sampling policy, while a blockwise autoregressive factorization captures inter-stream dependence with moderate sequential complexity. For hard-output detection, a transition network is applied recursively and trained through a residual-to-BER curriculum, which first learns the MIMO search geometry from the exact residual metric and then aligns the policy with transmitted-bit accuracy. For soft-output reception, the well-trained hard policy is cloned at the parameter level into every layer of an untied soft-input soft-output iterative detection and decoding (IDD) receiver. This tied-to-untied transfer preserves the learned zero-prior search dynamics while enabling layer- and round-specific specialization under decoder feedback. Within each IDD round, decoder priors tilt candidate generation according to Bayes' rule, and likelihood-weighted terminal hypotheses produce posterior and extrinsic log-likelihood ratios for LDPC decoding. A multi-stage training strategy further stabilizes the hard-to-soft transfer by progressively exposing the receiver to synthetic and in-loop decoder-generated priors.
Abstract（参考訳）: 高次多重出力多重出力(MIMO)検出は、チャネル復号のための信頼性の高いソフト情報を生成しながら、大きな離散シンボル空間を効率的に探索する必要がある。本稿では,MIMO検出を完全ベクトル遷移の確率列として定式化するL2Tフレームワークを開発する。各トランジションでは、チャネル結合型Transformerがインスタンスの埋め込みとサンプリングポリシの両方を更新する一方、ブロックワイドの自己回帰係数化は、適度なシーケンシャルな複雑さでストリーム間の依存性をキャプチャする。ハードアウト検出のために、遷移ネットワークを再帰的に適用し、残留-BERカリキュラムを通じて訓練し、まず、正確な残差距離からMIMO探索幾何学を学習し、その後、そのポリシーを送信-ビット精度で整列する。ソフトアウトプット受信のために、よく訓練されたハードポリシーはパラメータレベルで、未入力のソフトアウトプット反復検出・復号受信機(IDD)のすべての層にクローンされる。このコネクテッド・トゥ・アンウンド・トランスファーは、学習したゼロ・プライア・サーチのダイナミクスを保ちながら、デコーダフィードバックの下で層別およびラウンド別特殊化を可能にする。各IDDラウンドにおいて、デコーダはベイズの規則に従って傾き候補生成を優先し、潜在的に重み付けされた終末仮説はLDPC復号のための後方および外部対数様比を生成する。マルチステージトレーニング戦略は、レシーバを合成およびループ内デコーダ生成前者に段階的に露出させることにより、ハード・トゥ・ソフト転送をさらに安定化させる。

関連論文リスト

Multistage Rewinding Decoder for QLDPC Codes [1.452875650827562]
メッセージパッシングデコーダが生成する内部情報を活用する多段復号化フレームワークを提案する。信頼できない変数ノードを特定するために,デコーダの動的特徴を組み合わせたメトリクスを導入する。提案するデコーダは、正規化されたmin- sumデコーダよりも大幅に優れる。
論文参考訳（メタデータ） (2026-08-07T22:06:41Z)
Latent Recurrent Transformer: Architecture Exploration, Training Strategies, and Scaling Behavior [107.2098567818173]
Latent Recurrent Transformer (LRT) は自己回帰変換器の軽量化である。 LRTは、次のトークンのリカレントメモリとして、前のトークンから高レベルなソース層隠れステートを再利用する。
論文参考訳（メタデータ） (2026-05-26T10:10:26Z)
From I/O to Code with Discovery Agent [103.88427301265669]
IO2Codeの発見エージェントであるDIO-Agentを提案する。本手法は,プログラム空間上の進化的探索としてIO2Codeをフレーム化する。大規模な実験により、DIO-Agentは従来のプログラムバイサンプル法とSOTA進化エージェントベースラインの両方を一貫して上回っていることが示された。
論文参考訳（メタデータ） (2026-05-14T18:57:32Z)
A Transformer Inspired AI-based MIMO receiver [0.5039813366558306]
AttDetの設計は、モデルベースの解釈可能性とデータ駆動の柔軟性を組み合わせる。 5Gチャネルモデルと高次混合QAM変調および符号化方式のリンクレベルシミュレーションによる実演を行う。 AttDetは予測可能で現実的な複雑さを維持しながら、ほぼ最適のBER/BLERパフォーマンスにアプローチすることができる。
論文参考訳（メタデータ） (2025-10-23T09:05:10Z)
DNN-Based Precoding in RIS-Aided mmWave MIMO Systems With Practical Phase Shift [43.56429251312585]
本稿では、直接通信路を妨害したミリ波マルチインプット多重出力(MIMO)システムのスループットを最大化する。リコンフィギュアブルインテリジェントサーフェス(RIS)は、視線(LoS)とマルチパス効果に関連するmmWave特性を考慮して伝送性を高めるために使用される。ディープニューラルネットワーク(DNN)は、より高速なコードワード選択を容易にするために開発された。
論文参考訳（メタデータ） (2025-07-03T17:35:06Z)
Chunk, Align, Select: A Simple Long-sequence Processing Method for Transformers [24.109312575970456]
そこで本研究では,オフザシェルフ事前学習型トランスフォーマーにおいて,より長いシーケンス処理を実現するための簡単なフレームワークを提案する。提案手法では,各時系列入力をチャンクのバッチに分割し,エンコーディングステップ中にインターチャンク情報をアライメントする。我々は,変圧器のデコーダを環境とみなす効果的な隠れ選択ポリシーを学習する。
論文参考訳（メタデータ） (2023-08-25T05:52:05Z)
SigT: An Efficient End-to-End MIMO-OFDM Receiver Framework Based on Transformer [16.00729720170457]
SigTという名前のtextit Transformer に基づく新しいエンド・ツー・エンド・レシーバフレームワークが提案されている。実験結果から,SigTはベンチマーク法よりも信号回復精度が高いことがわかった。
論文参考訳（メタデータ） (2022-11-02T14:08:16Z)
Error Correction Code Transformer [92.10654749898927]
本稿では,トランスフォーマーアーキテクチャを任意のブロック長で線形符号のソフトデコードに拡張することを提案する。我々は,各チャネルの出力次元を高次元に符号化し,個別に処理すべきビット情報のより良い表現を行う。提案手法は、トランスフォーマーの極端なパワーと柔軟性を示し、既存の最先端のニューラルデコーダを、その時間的複雑さのごく一部で大きなマージンで上回る。
論文参考訳（メタデータ） (2022-03-27T15:25:58Z)
TransCMD: Cross-Modal Decoder Equipped with Transformer for RGB-D Salient Object Detection [86.94578023985677]
本研究では,グローバルな情報アライメントと変革の観点から,この課題を再考する。具体的には、トランスCMD(TransCMD)は、複数のクロスモーダル統合ユニットをカスケードして、トップダウントランスフォーマーベースの情報伝達経路を構築する。 7つのRGB-D SODベンチマークデータセットの実験結果から、単純な2ストリームエンコーダデコーダフレームワークが、最先端のCNNベースの手法を超越できることが示されている。
論文参考訳（メタデータ） (2021-12-04T15:45:34Z)
Deliberation of Streaming RNN-Transducer by Non-autoregressive Decoding [21.978994865937786]
この方法は、テキスト機能とオーディオ機能の両方に対応するトランスフォーマーデコーダを各ステップで共有する、いくつかの改善ステップを実行する。本研究では,ストリーミングRNN-Tモデルの仮説アライメントを条件に,第1パスRNN-Tよりも精度の高い認識結果が得られることを示す。
論文参考訳（メタデータ） (2021-12-01T01:34:28Z)
Composably secure data processing for Gaussian-modulated continuous variable quantum key distribution [58.720142291102135]
連続可変量子鍵分布(QKD)は、ボソニックモードの二次構造を用いて、2つのリモートパーティ間の秘密鍵を確立する。構成可能な有限サイズセキュリティの一般的な設定におけるホモダイン検出プロトコルについて検討する。特に、ハイレート(非バイナリ)の低密度パリティチェックコードを使用する必要のあるハイシグネチャ・ツー・ノイズ・システマを解析する。
論文参考訳（メタデータ） (2021-03-30T18:02:55Z)
DeepSIC: Deep Soft Interference Cancellation for Multiuser MIMO Detection [98.43451011898212]
複数のシンボルが同時に送信されるマルチユーザマルチインプットマルチアウトプット(MIMO)設定では、正確なシンボル検出が困難である。本稿では,DeepSICと呼ぶ反復ソフト干渉キャンセリング(SIC)アルゴリズムの,データ駆動による実装を提案する。 DeepSICは、チャネルを線形にすることなく、限られたトレーニングサンプルから共同検出を行うことを学ぶ。
論文参考訳（メタデータ） (2020-02-08T18:31:00Z)

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。