- Нейронная сеть для передачи сообщений с исходной информацией в виде графа (arXiv)
Автор: Лю Сяо, Чжан Лицзюнь, Хуэй Гуань.
Аннотация: Нейронные сети передачи сообщений (MPNN) изучают представление данных с графовой структурой на основе исходной информации графа, включая особенности узлов и структуры графов, и продемонстрировали удивительное улучшение в задачах классификации узлов. Однако выразительная сила MPNN ограничена сверху тестом Вейсфейлера-Лемана первого порядка, и его точность все еще нуждается в улучшении. В этой работе изучается, как улучшить выразительность и обобщаемость MPNN путем полного использования исходной информации графа как теоретически, так и эмпирически. Кроме того, он предлагает новую модель GNN под названием INGNN (Нейронная сеть графов с расширенной информацией), которая использует полученные знания для повышения эффективности классификации узлов. Обширные эксперименты как на синтетических, так и на реальных наборах данных демонстрируют превосходство (средний рейтинг 1,78) нашего INGNN по сравнению с современными методами.
2. Обнаружение сигналов в системах MIMO с аппаратными недостатками: передача сообщений по нейронным сетям (arXiv)
Автор: Давэй Гао, Цинхуа Го, Гуйшэн Ляо, Йонина С. Эльдар, Юнхуэй Ли, Яньгуан Юй, Бранка Вучетич.
Аннотация: В этой статье мы исследуем обнаружение сигналов в системах связи с несколькими входами и несколькими выходами (MIMO) с аппаратными нарушениями, такими как нелинейность усилителя мощности и синфазный/квадратурный дисбаланс. Чтобы справиться со сложными комбинированными эффектами несовершенства аппаратного обеспечения, были изучены методы нейронных сетей (NN), в частности глубокие нейронные сети (DNN), для прямой компенсации воздействия аппаратных нарушений. Однако обучение DNN с ограниченными пилот-сигналами затруднено, что затрудняет ее практическое применение. В этой работе мы исследуем, как добиться эффективного обнаружения байесовского сигнала в системах MIMO с аппаратными несовершенствами. Характеристика совокупных несовершенств аппаратного обеспечения часто приводит к созданию сложных моделей сигналов, что затрудняет обнаружение байесовских сигналов. Чтобы решить эту проблему, мы сначала обучаем НС «моделировать» систему MIMO с аппаратными несовершенствами, а затем выполняем байесовский вывод на основе обученной НС. Моделирование системы MIMO с помощью NN позволяет проектировать архитектуры NN на основе потока сигналов системы MIMO, минимизируя количество слоев и параметров NN, что имеет решающее значение для достижения эффективного обучения с ограниченными пилотными сигналами. Затем мы представляем обученную НС с помощью факторного графа и разрабатываем эффективный детектор байесовских сигналов на основе передачи сообщений, используя алгоритм унитарной приближенной передачи сообщений (UAMP). Также исследована реализация турбоприемника с предложенным байесовским детектором. Обширные результаты моделирования показывают, что предлагаемый метод обеспечивает значительно лучшую производительность, чем современные методы.