Following the great success of Machine Learning (ML), especially Deep Neural Networks (DNNs), in many research domains in 2010s, several ML-based approaches were proposed for detection in large inverse linear problems, e.g., massive MIMO systems. The main motivation behind is that the complexity of Maximum A-Posteriori (MAP) detection grows exponentially with system dimensions. Instead of using DNNs, essentially being a black-box, we take a slightly different approach and introduce a probabilistic Continuous relaxation of disCrete variables to MAP detection. Enabling close approximation and continuous optimization, we derive an iterative detection algorithm: Concrete MAP Detection (CMD). Furthermore, extending CMD by the idea of deep unfolding into CMDNet, we allow for (online) optimization of a small number of parameters to different working points while limiting complexity. In contrast to recent DNN-based approaches, we select the optimization criterion and output of CMDNet based on information theory and are thus able to learn approximate probabilities of the individual optimal detector. This is crucial for soft decoding in today's communication systems. Numerical simulation results in MIMO systems reveal CMDNet to feature a promising accuracy complexity trade-off compared to State of the Art. Notably, we demonstrate CMDNet's soft outputs to be reliable for decoders.


翻译:在机器学习(ML),特别是深神经网络(DNN)取得巨大成功之后,2010年代在许多研究领域提出了若干以ML为基础的方法,以探测大型反线性问题,例如大型MIMO系统。其主要动机是,最大A-Posinteri(MAP)的探测复杂性随着系统层面的大小而成倍增长。我们使用DNN(基本上是一个黑箱),而不是采取略微不同的方法,并引入一种稳定地不断放松脱冷变量以用于MAP探测。促成近似和连续优化,我们产生了一种迭代检测算法:具体MAP探测(CCM) 。此外,由于CMDNet的深度发展,我们允许(在线)将少量参数优化到不同的工作点,同时限制复杂性。与最近的DNNN方法相比,我们根据信息理论选择了CMDNet的优化标准和产出,从而能够了解个人最佳探测器的近似概率。这对于软解码的探测算法:具体MAP探测法(CC)探测法(CMD) ;此外,由于CMD(C-Net)的深度发展而将C-MDMD IMF 演示了我们的软化系统,因此,我们能够对C-MDMISISIS IM MAD MAD MAD MAD 的S 的S 的系统进行可靠的模拟结果进行可靠的分析。

0
下载
关闭预览

相关内容

专知会员服务
28+阅读 · 2021年8月2日
【经典书】主动学习理论,226页pdf,Theory of Active Learning
专知会员服务
124+阅读 · 2021年7月14日
专知会员服务
159+阅读 · 2020年1月16日
已删除
创业邦杂志
5+阅读 · 2019年3月27日
无监督元学习表示学习
CreateAMind
27+阅读 · 2019年1月4日
meta learning 17年:MAML SNAIL
CreateAMind
11+阅读 · 2019年1月2日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
论文浅尝 | Improved Neural Relation Detection for KBQA
开放知识图谱
13+阅读 · 2018年1月21日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
Arxiv
0+阅读 · 2021年10月7日
Arxiv
5+阅读 · 2018年10月4日
Arxiv
3+阅读 · 2018年6月14日
Arxiv
4+阅读 · 2018年3月19日
VIP会员
相关VIP内容
专知会员服务
28+阅读 · 2021年8月2日
【经典书】主动学习理论,226页pdf,Theory of Active Learning
专知会员服务
124+阅读 · 2021年7月14日
专知会员服务
159+阅读 · 2020年1月16日
相关资讯
已删除
创业邦杂志
5+阅读 · 2019年3月27日
无监督元学习表示学习
CreateAMind
27+阅读 · 2019年1月4日
meta learning 17年:MAML SNAIL
CreateAMind
11+阅读 · 2019年1月2日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
论文浅尝 | Improved Neural Relation Detection for KBQA
开放知识图谱
13+阅读 · 2018年1月21日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
Top
微信扫码咨询专知VIP会员