用于无线通信中数据重构增强的条件去噪扩散概率模型
信息论
2024-11-21 v3 人工智能
机器学习
math.IT
摘要
本文提出条件去噪扩散概率模型（DDPM）以增强无线信道上的数据传输与重构。DDPM 的底层机制是将数据生成过程分解于所谓的“去噪”步骤上。受此启发，核心思想是利用扩散模型的生成先验学习信息信号的“含噪到干净”变换，以助增强数据重构。所提方案有益于可获得信息内容先验知识的通信场景，例如多媒体传输。因此，不必采用降低信息率的复杂信道码，而是可利用扩散先验进行可靠数据重构，尤其在因低信噪比（SNR）或硬件受损通信导致的极端信道条件下。所提 DDPM 辅助接收机专为使用 MNIST 数据集的无线图像传输场景设计。我们的数值结果凸显了本方案相对传统数字通信及基于深度神经网络（DNN）的基准的重构性能。结果还表明，在低 SNR 区间可实现超过 10 dB 的重构改善，且无需为纠错降低信息率。
引用
@article{arxiv.2310.19460,
title = {Conditional Denoising Diffusion Probabilistic Models for Data Reconstruction Enhancement in Wireless Communications},
author = {Mehdi Letafati and Samad Ali and Matti Latva-aho},
journal= {arXiv preprint arXiv:2310.19460},
year = {2024}
}
备注
arXiv admin note: substantial text overlap with arXiv:2309.08568