מושגי ליבה
모듈식 베이지안 딥러닝은 기존 모델 기반 데이터 주도 수신기 아키텍처의 내부 모듈을 보정하여 전체 수신기 성능과 신뢰성을 향상시킨다.
תקציר
이 논문은 신경 MIMO 수신기 설계에 있어 모듈식 베이지안 딥러닝 기법을 제안한다. 기존의 모델 기반 데이터 주도 수신기 아키텍처는 개별 모듈이 과신뢰한 출력을 생성할 수 있어 전체 성능이 저하되는 문제가 있었다. 이를 해결하기 위해 제안된 모듈식 베이지안 딥러닝은 각 내부 모듈에 베이지안 학습을 적용하여 보정된 중간 출력을 생성한다. 이를 통해 전체 수신기 성능과 신뢰성이 향상된다.
구체적으로 DeepSIC 등화기와 WBP 복호기에 모듈식 베이지안 학습을 적용하여 성능을 평가하였다. 실험 결과, 제안 기법은 기존 빈도주의 학습 및 비모듈식 베이지안 학습 대비 심볼 오류율과 비트 오류율 측면에서 일관되게 우수한 성능을 보였다. 특히 데이터가 부족한 환경에서 그 이점이 두드러졌다.
סטטיסטיקה
파일럿 데이터는 전체 블록의 2.5%에 불과하다.
8-PSK 변조 시 제안 기법은 기존 기법 대비 최대 1.5dB의 성능 향상을 보였다.
제안 기법의 성능 이점은 SNR이 높아질수록 더욱 두드러졌다.
ציטוטים
"모듈식 베이지안 딥러닝은 기존 모델 기반 데이터 주도 수신기 아키텍처의 내부 모듈을 보정하여 전체 수신기 성능과 신뢰성을 향상시킨다."
"제안 기법은 데이터가 부족한 환경에서 그 이점이 두드러졌다."