基于去噪扩散概率模型的概率星座整形：一种新方法
信息论
2023-09-19 v1 信号处理
math.IT
摘要
随着生成式预训练Transformer（GPT）与扩散模型取得的惊人成果，生成式AI（GenAI）有望在各工业与学术领域带来显著突破。在本文中，我们利用去噪扩散概率模型（DDPM）这一最先进的生成模型之一，用于无线通信中的概率星座整形。尽管星座的几何形状由网络标准预先确定，概率星座整形可通过设计星座符号出现（生成）的概率来提升信息速率与通信性能。不同于处理星座离散分布上优化问题的常规方法，我们采取了截然不同的思路。利用DDPM的“去噪并生成”特性，其核心思想是学习如何从噪声中生成星座符号，“模仿”接收端进行符号重建的方式。如此一来，我们使发送端发出的星座符号与接收端推断（重建）的内容尽可能相似。我们的仿真表明，所提方案优于基于深度神经网络（DNN）的基准与均匀整形，同时在低信噪比体制与非高斯噪声下提供网络弹性以及鲁棒的分布外性能。值得注意的是，相较于基于DNN的方法，在64-QAM几何下互信息实现了三倍提升。
引用
@article{arxiv.2309.08688,
title = {Probabilistic Constellation Shaping With Denoising Diffusion Probabilistic Models: A Novel Approach},
author = {Mehdi Letafati and Samad Ali and Matti Latva-aho},
journal= {arXiv preprint arXiv:2309.08688},
year = {2023}
}
备注
arXiv admin note: text overlap with arXiv:2309.08568