復号への学習:スパースグラフベースチャネル符号の復号化のための強化学習【JST・京大機械翻訳】

Habib Salman; Beemer Allison; Kliewer Joerg

プレプリント

J-GLOBAL ID：202202205909911317 整理番号：22P0199425

復号への学習:スパースグラフベースチャネル符号の復号化のための強化学習【JST・京大機械翻訳】

Learning to Decode: Reinforcement Learning for Decoding of Sparse Graph-Based Channel Codes

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 (3件)： , ,
資料名：
発行年： 2020年10月12日プレプリントサーバーでの情報更新日： 2020年10月17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)

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】

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

符号理論

, , , ,

前のページに戻る