序文
1つ、
既存のコードの複雑さの低いニューラル デコーダーや、エンドツーエンドのトレーニング可能なオートエンコーダーなどの深層学習コードのデータ駆動型設計は、特に構造化コード設計のコンテキストで高性能がない場合に、目覚ましい結果を示しています。ただし、既存のデータ駆動型チャネル コーディング ソリューションの大部分は、ポイントツーポイントのシナリオに重点を置いています。この研究では、フィードバックを備えたマルチ アクセス チャネル (MAC) を検討し、深層学習ベースの設計がエンコーダ間の調整と協力を可能にし、エラー訂正を可能にするかどうかを理解しようとします。シミュレーション結果は,提案された多重アクセスブロックアテンションフィードバックコードが,有限ブロック長の下で非フィードバック多重アクセスブロックアテンションフィードバックコードの達成可能なレートの上限を改善することを示した。
二、
ディープラーニング (DL) ベースの無線通信ソリューションの設計は、急速に成長している研究分野となっています。調査によると、データ駆動型ソリューションは、手作りのソリューションを上回るパフォーマンスを発揮できるか、より低い計算複雑さで同等のパフォーマンスを発揮できることがわかっています。誤り訂正コーディングの文脈では、最近のさまざまな研究 [1] ～ [7] で、よく知られている構造化コーディングの代替として、DL 支援設計をトレーニングし、信頼性の高い通信を実現するために使用できることが示されています。データ駆動型設計を構成するフェーズに基づいて、これらの設計は 2 つの主なカテゴリに分類できます。最初のカテゴリには、ニューラル信念伝播 [4]、[8]、[9] などのディープ ニューラル ネットワーク (DNN) アーキテクチャを使用して、LDPC コードやポーラー コードなどの従来のコードの復号を実行するソリューションが含まれます。一方、2 番目のカテゴリの作業では、完全に学習可能なオートエンコーダ (AE) アーキテクチャを導入することにより、エンコード側とデコード側の両方で DNN ベースのモジュールを使用します [1]、[5]、[10]、[11]。上記の研究は、DNN ベースのデコーダ/AE モデルが、制限されたブロック長の条件下で現在の最先端のブロック誤り率 (BLER) パフォーマンスを達成できること、またはより低いブロック長で従来のエンコード/デコードと同じパフォーマンスを達成できることを示しています。 BLER のパフォーマンスに似た複雑なスキーム。
DNN ベースのソリューションの利点は、フィードバック シナリオの有無にかかわらずピアツーピア システムで実証されていますが、マルチユーザー シナリオにおけるその役割については十分な理解がありません。放送チャネルのシナリオは最近 [11] で分析されました。このペーパーでは、フィードバック付きマルチ アクセス チャネル (MAC) に対する DNN ベースのソリューションの適用性を分析します。チャネルフィードバックの存在はMACの容量領域を拡大することが知られていますが、特にブロック長が短い場合の実用的な仕様の設計は未解決の問題のままです。私たちの知る限り、これは Mac 用の完全に学習可能なフレームワークとフィードバック シナリオを調査した最初の研究です。古典的な MAC では、送信機は連携できないため、独立したチャネル コードワードを生成しますが、フィードバックが存在する場合、送信機はフィードバック チャネルを通じて連携できることを指摘します。実際、情報理論的なランダム符号化スキームは、各送信機が互いのメッセージを (部分的に) デコードして協調的に送信できるようにすることで協調を可能にし、従来の MAC の容量を超えるレートを達成します。私たちは、完全に学習可能なフレームワークが [3]、[12]、[14] ～ [16] で説明されているようなエラー修正メカニズムを形成できるだけでなく、送信機間の協力戦略。