ハイブリッドモデルベースの深い受信機のためのオンラインMeta学習【JST・京大機械翻訳】

Raviv Tomer; Park Sangwoo; Simeone Osvaldo; Eldar Yonina C.; Shlezinger Nir

プレプリント

J-GLOBAL ID：202202200245555648 整理番号：22P0311009

ハイブリッドモデルベースの深い受信機のためのオンラインMeta学習【JST・京大機械翻訳】

Online Meta-Learning For Hybrid Model-Based Deep Receivers

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (5件)： , , , ,
資料名：
発行年： 2022年03月27日プレプリントサーバーでの情報更新日： 2023年02月11日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

近年,受信機設計のための深層ニューラルネットワーク(DNN)の応用への関心が高まり,それはチャネルモデルの知識に頼らず,複雑な環境において潜在的に応用可能である。しかし,通信チャネルの動的性質はしばしば急速な分布シフトをもたらし,周期的再訓練を必要とする。本論文では,高速オンライン適応を容易にするデータ効率の良い2段階訓練法を定式化した。著者らの訓練機構は,電流と過去のチャネル実現の両方に対応するデータから急速に訓練するための予測メタ学習方式を使用する。この方法は,任意の深層ニューラルネットワーク(DNN)ベース受信機に適用でき,訓練のための新しいパイロットデータの伝送を必要としない。提案したアプローチを説明するために,解釈可能なモデルベースアーキテクチャを利用するDNN支援受信機を研究し,予測メタ学習に基づくモジュール訓練戦略を導入した。合成線形チャネル,合成非線形チャネル,およびCOST2100チャネルに関するシミュレーションにおける著者らの技術を実証した。その結果,提案したオンライン訓練方式は,受信機が,高速に変化するシナリオにおける符号化ビットエラーレートにおいて,最大2.5dBのマージンにより,自己スーパービジョンおよびジョイント学習に基づく以前の技法を凌駕できることを実証した。【JST・京大機械翻訳】

, , , , , , ,
, , , , , , , , 【Automatic Indexing@JST】

パターン認識 , 移動通信

, , ,

前のページに戻る