MMJun, 2019

通信系统的深度展开：调查与新方向

PDF
TL;DR本文介绍了一种名为 deep unfolding 的方法，它将迭代优化算法和神经网络工具相结合，可以有效解决机器学习、信号处理、图像处理和通信系统等一系列任务。此次调查重点讨论了在多天线（MIMO）无线系统中，信号检测和预编码以及纠错码的置信传播解码等领域中应用深度展开的情况。实验表明，这种新兴的范式在通信系统中有着显著的效果和通用性。最后，我们总结了一些尚待进一步研究和未来研究方向。
deep unfoldingneural networksmimo wireless systemsbelief propagation decodingerror-correcting codes
发现论文，激发创造
  • 深度展开用于下一代收发器

    本文介绍了深度展开（deep-unfolding）在矩阵参数下的收发机设计以及其最新进展，阐述了将其应用于下一代先进收发机设计方面的努力，并提出了未来研究的一些开放性问题。

    May, 2023

  • 利用深度展开优化无线网络：两种深度展开机制的比较研究

    在这项研究中，我们对两种深度展开机制进行了比较研究，以便在下一代无线网络中有效地进行功率控制。通过分数规划转换，我们设计了两个解决方案来解决非凸能效问题。第一个解决方案是数值解，而第二个解决方案是封闭形式的解决方案。基于第一个解决方案，我们设计了一个半展开深度学习模型，将无线通信领域的领域知识与数据驱动的深度学习的最新进展结合在一起。此外，我们基于封闭形式解决方案的亮点设计了一个完全展开的深度学习模型，充分利用了具有表达性的封闭形式功率控制解决方案和深度学习的进展。在模拟结果中，我们比较了所提出的深度学习模型和迭代解决方案在准确性和推理速度方面的性能，以展示它们在实时应用于下一代网络的适用性。

    Feb, 2024

  • 算法展开：信号与图像处理中可解释、高效的深度学习

    本文综述了算法展开在信号与图像处理中的应用，特别是在深度神经网络中实现了可解释的网络结构，为未来的发展提供了可能性，并探讨了未来的研究方向。

    Dec, 2019

  • 深度展开：基于模型的启发式深度架构生成

    本文介绍如何在深度神经网络中引入基于模型的方法以及相关推理算法，并展示如何将传统的网络视为马尔科夫随机场的均场推理，在此基础上实现非负矩阵分解，得到一种新类型的深度神经网络以及有效的训练方法。通过语音增强实验得到了与传统神经网络相似的结果，但参数数量却大大减少。

    Sep, 2014

  • 深度展开模拟双分叉用于大规模 MIMO 信号检测

    本文介绍了一种采用深度展开和量子启发算法改进的 MIMO 多天线系统下信号检测器，其通过消除最大似然检测的局部最小值并训练迭代算法的内部参数来显著提高检测性能。

    Jun, 2023

  • 迭代算法诱导的深度展开神经网络：多用户 MIMO 系统的预编码设计

    本文提出了一种基于优化理论的算法框架，采用深度展开神经网络求解多用户 MIMO 系统中的前编码设计问题，并实现了一个基于 WMMSE 算法的高效 IAIDNN，有效地降低了计算复杂度，同时保持了 WMMSE 算法的性能。

    Jun, 2020

  • 使用一位量化的深度信号恢复

    本文探讨了使用深度展开技术以及基于模型的机器学习方法来解决从一位噪声测量中恢复信号的问题，并将推理优化算法的迭代展开成深度神经网络的层，获得了高精度和更高的计算效率。

    Nov, 2018

  • 递归即所需：朝着高效深度展开网络迈进

    本论文提出使用递归来增强深度展开模型的效率，实现消除冗余，减少训练时间和减小可训练参数，并将其应用于 ISTA-Net+ 和 COAST，结果显示递归模型与非递归基线相比，在受限数据集下具有匹配或甚至超过的性能。

    May, 2023

  • 机器学习下的展开景观

    机器学习创新使得数据展开成为可能，而不需要分箱并且可以考虑多个维度之间的相关性。我们描述了一组已知的、升级的和新的基于机器学习的展开方法，并在相同的两个数据集上评估了这些方法的性能。我们发现所有技术都能够准确地再现复杂可观测量下的粒子水平谱。鉴于这些方法在概念上各不相同，它们为一类新的测量提供了令人兴奋的工具包，可以以前所未有的细节探索标准模型，并可能实现对新现象的敏感性。

    Apr, 2024

  • SISO-OFDM 信道估计的高效深度展开

    本研究使用了展开的神经网络，利用稀疏恢复算法实现了 SISO-OFDM 信道估计，即使在系统参数不完全知道的情况下，也可以学习系统的瑕疵以提高估计性能。

    Oct, 2022