用于深度符号检测的数据驱动因子图
机器学习
2020-02-06 v1 信息论
机器学习
信号处理
math.IT
摘要
信号处理与通信中的许多重要方案，从BCJR算法到卡尔曼滤波器，均为因子图方法的实例。这类算法基于在图模型上进行的递归消息传递计算，该图模型表示了底层统计量的因子分解。因此，为实现这些算法，必须准确知晓所考虑信号的统计模型。本工作中我们提出以数据驱动方式实现因子图方法。具体而言，我们提出使用机器学习（ML）工具来学习因子图，而非学习整体系统任务，该图随后通过在其上执行消息传递用于推断。我们将所提方法应用于学习表示有限记忆信道的因子图，展示了由此以数据驱动方式实现BCJR检测的能力。我们证明所提系统（称为BCJRNet）能从小规模训练集学习实现BCJR算法，并且相较于在相同不确定水平下基于常规信道模型工作的接收机，所得接收机对不精确训练表现出更强的鲁棒性。我们的结果表明，通过利用ML工具从标注数据学习因子图，可以以数据驱动方式实现广泛的一类基于模型的算法，而这类算法传统上需要完全知晓底层统计量。
引用
@article{arxiv.2002.00758,
title = {Data-Driven Factor Graphs for Deep Symbol Detection},
author = {Nir Shlezinger and Nariman Farsad and Yonina C. Eldar and Andrea J. Goldsmith},
journal= {arXiv preprint arXiv:2002.00758},
year = {2020}
}