論文の概要: Joint End-to-End Training of Weighted BP Decoder Ensembles

• arxiv url: http://arxiv.org/abs/2610.33559v1
• Date: Sat, 24 Oct 2026 09:26:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.360735
• Title: Joint End-to-End Training of Weighted BP Decoder Ensembles
• Title（参考訳）: 重み付きBPデコーダアンサンブルのエンドツーエンド共同訓練
• Abstract要約: Ensemble Decodingは、コンポーネントデコーダと相補的な障害イベントを組み合わせることで、デコード信頼性を向上させる。 我々は,訓練可能なタナーグラフエッジ重みを最適化することにより,重み付き信念伝播デコーダのアンサンブルの多様性を学習する。
• 参考スコア（独自算出の注目度）: 3.910930057071035
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Ensemble decoding improves decoding reliability by combining component decoders with complementary failure events. Existing approaches typically obtain this diversity from code-specific structure, such as code automorphisms, multiple parity-check representations, or targeted modifications of the message-passing graph. In this work, we instead learn the diversity of an ensemble of weighted belief propagation decoders by jointly optimizing trainable Tanner-graph edge weights. A central design question is how the training objective should distribute gradient among the ensemble members to promote complementary decoding behavior. To this end, we compare four ensemble objectives under direct gradient-based optimization and identify best-member training as the most effective approach. For a (64,32) progressive edge-growth (PEG) low-density parity-check (LDPC) code, the resulting ensemble outperforms the considered trained and untrained belief-propagation-based ensemble baselines. With 10 members, it provides a gain of approximately 0.66 dB over a single belief propagation decoder at a target frame error rate (FER) of $10^{-4}$. Similar behavior is observed for a (128,64) CCSDS LDPC code, indicating that the learned complementarity is not specific to PEG. Although the ensemble performance improves substantially, all trained members show a higher standalone FER. The gain therefore results from learned specialization and complementary failure events rather than uniformly improved component decoders.
• Abstract（参考訳）: Ensemble Decodingは、コンポーネントデコーダと相補的な障害イベントを組み合わせることで、デコード信頼性を向上させる。 既存のアプローチでは、コードオートモーフィズム、多重パリティチェック表現、メッセージパスグラフのターゲット変更など、コード固有の構造からこの多様性を得るのが一般的である。 本研究では,訓練可能なタンナーグラフエッジ重みを最適化することにより,重み付き信念伝播デコーダのアンサンブルの多様性を学習する。 中心的な設計課題は、学習目的がアンサンブルメンバー間で勾配を分散して補完的な復号行動を促進するかである。 この目的のために、直進勾配に基づく最適化の下での4つのアンサンブル目標を比較し、最も効果的なアプローチとしてベストメンバートレーニングを同定する。 64,32) プログレッシブエッジグロース (PEG) 低密度パリティチェック (LDPC) 符号の場合、結果として得られるアンサンブルは、訓練された、訓練されていない信念プロパゲーションに基づくアンサンブルベースラインよりも優れる。 10人のメンバーで、目標フレーム誤り率(FER)が10^{-4}$の単一信念伝搬デコーダに対して約0.66dBのゲインを提供する。 同様の振る舞いは (128,64) の CCSDS LDPC コードで観測され、学習された相補性は PEG に特有でないことを示す。 アンサンブルのパフォーマンスは大幅に向上するが、訓練された全てのメンバーはより高いスタンドアローンFERを示す。 これにより、一様に改善されたコンポーネントデコーダではなく、学習した特殊化と補完的な障害イベントから得られる。

関連論文リスト

• From Classifier Heads to Encoder Prototypes: Personalized Federated Learning with Head-Derived Clustering [5.4572449700698895]
  HDC-FL(個人化フェデレーション学習のための重み付きクラスタリング) クライアント固有のヘッドは、決して平均化されず、oth-erクライアントに分散しません。 HDC-FLは, 評価手法の中で, 数値的に最も高いマクロ平均値, ボトム20%の精度が得られる。
  論文  参考訳（メタデータ） (2026-10-21T17:27:46Z)
• HiER-BLS: A Hierarchy-Guided and Error-Correcting Robust Incremental Broad Learning System [49.8459545291965]
  Broad Learning System (BLS) は分析学習と漸進的な拡張をサポートする。 階層化誘導型表現成長と誤り訂正学習を併用するHiER-BLSを提案する。
  論文  参考訳（メタデータ） (2026-10-05T05:37:40Z)
• Invariant Pretraining for Robust Code Representations [8.667720376952728]
  不変プログラムの下では、意味論的に等価なコードは異なる構文形式で書かれ、学習された表現は著しく劣化する。 本研究では,4つのエンコーダベースライン,2つの下流タスク,4つのデータセットにまたがるロバスト性ギャップについて実験的検討を行った。 Invariant pretraining (InvPT) はコーパスに意味保存変換を適用する。
  論文  参考訳（メタデータ） (2026-08-15T21:01:43Z)
• Beyond Encoder Accumulation: Measuring Encoder Roles in Multi-Encoder VLMs [50.3757247538081]
  我々は、統一パイプラインの下で、5つの共通ビジョンエンコーダの空でないサブセット31を再訓練し、評価する。 各エンコーダのコントリビューションを,容量と必要量という2つの軸に分解する。 エンコーダごとのプロジェクタ有効ランクは、残留スコアの変動を説明する。
  論文  参考訳（メタデータ） (2026-06-02T16:46:42Z)
• Learning to Credit the Right Steps: Objective-aware Process Optimization for Visual Generation [57.61006679699323]
  強化学習は人間の嗜好信号を用いた視覚生成モデルの訓練後の効果的な枠組みとして登場した。 現代の視覚生成では、視覚的品質、動きの整合性、テキストアライメントなどの不均一な目的を捉えるために、複数の報酬モデルがしばしば使用される。 GRPO の微粒化学習のための構造化フレームワークである Objective-Aware Trajectory Credit Assignment (OTCA) を提案する。
  論文  参考訳（メタデータ） (2026-04-21T08:37:13Z)
• A Closer Look at Cross-Domain Few-Shot Object Detection: Fine-Tuning Matters and Parallel Decoder Helps [7.9629908861093766]
  微調整時の一般化を高めるハイブリッドデコーダアンサンブルを提案する。 アンサンブル学習にインスパイアされたデコーダは、共有階層層と、複数の並列デコーダブランチから構成される。 この設計は、追加パラメータを導入することなく事前訓練された重みを完全に活用し、その結果の多様な予測を効果的に組み込んで一般化を改善することができる。
  論文  参考訳（メタデータ） (2026-03-30T08:46:10Z)
• Synergy and Diversity in CLIP: Enhancing Performance Through Adaptive Backbone Ensembling [58.50618448027103]
  コントラスト言語-画像事前学習(CLIP)は画像表現学習において顕著な手法である。 本稿では,CLIPを訓練した視覚バックボーンの違いについて検討する。 方法によって、最高の単一のバックボーンよりも39.1%の精度が著しく向上する。
  論文  参考訳（メタデータ） (2024-05-27T12:59:35Z)
• Component Training of Turbo Autoencoders [8.692972779213932]
  ターボオートコーダのコンポーネントオートエンコーダのガウス事前(TGP)による独立したトレーニングにより、より高速で一貫性のあるトレーニングが可能になる。 本稿では, 外部情報伝達 (EXIT) チャートを所望の振る舞いに適合させることにより, より大きなメッセージ長へのスケーリングを実現することを提案する。
  論文  参考訳（メタデータ） (2023-05-16T06:48:40Z)

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。