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。
無線通信技術の発展に伴う無線信号の多次元化を背景に,大規模な線形推論問題を低計算量で解くための多次元信号検出が今後の無線通信システムにおいて重要な役割を担う.信念伝搬法(BP:Belief Propagation)に基づく線形ベイジアン検出器は,観測行列の各要素がゼロ平均で独立同分布したガウス分布に従うとき,大システム極限において最小計算量で最良の性能を達成する.しかし,無線通信システムで遭遇する線形推論問題においてその理想条件を精度よく満たすことは困難であり,精巧な多次元信号検出をそのまま適用しても,意図した検出性能が得られないことが多い.このような理論と工学の間にある隔たりを埋める橋渡し役として,深層展開(DU:Deep Unfolding)と呼ばれる,深層学習を利用した反復アルゴリズムの最適化技術が注目を集めている.本稿ではその一例として,上り回線の大規模マルチユーザMIMO(Multi-Input Multi-Input)検出を線形ベイジアン検出器の一種であるガウス信念伝搬法(GaBP:Gaussian BP)で実現する際に,無線通信環境と理想条件の差異によって生じる不都合をDU技術によって緩和できることを示す.その実例を通して,学習可能なアルゴリズムの設計・学習後のアルゴリズムの解釈・および性能評価について解説し,BPと深層学習を統合して実用的な信号検出アルゴリズムを設計するためのエッセンスを与える.(著者抄録)