抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
本研究では,強化学習が,短から中長のスパースグラフベースチャネル符号の復号化にうまく適用できることを示した。特に,低密度パリティチェック(LDPC)符号に焦点を当て,例えば,その優れた誤り訂正性能により5Gセル通信システムの文脈で標準化した。これらの符号は,フラッディングによる符号の対応する二部(Tanner)グラフ上の信念伝搬反復復号化によって典型的に復号され,即ち,Tannerグラフにおけるすべてのチェックと可変ノードを一度更新する。対照的に,本論文では,復号化性能を改善するために最適チェックノード(CN)スケジューリングを選択する逐次更新ポリシーを利用した。特に,CN更新プロセスを,従属アームによるマルチアームバンドプロセスとしてモデル化し,CNスケジューリングポリシーを最適化するためのQ学習方式を採用した。学習複雑度を低減するために,クラスタ間の依存性が最小化されるような方法で状態空間を分割する新しいグラフ誘起CNクラスタリング手法を提案した。結果は,文献からの他の復号化手法と比較して,提案した強化学習スキームが復号化性能を著しく改善するだけでなく,スケジューリングポリシーが学習されると,復号複雑度を劇的に低減することを示した。【JST・京大機械翻訳】