MétaCan
Menu
Retour à la cohorte
Enregistrement W2163738205 · doi:10.1109/icassp.2002.5745071

A finite-state vector quantizer for noisy channels

2002· article· en· W2163738205 sur OpenAlexaff
Pradeepa Yahampath

Notice bibliographique

RevueIEEE International Conference on Acoustics Speech and Signal Processing · 2002
Typearticle
Langueen
DomaineComputer Science
ThématiqueAdvanced Data Compression Techniques
Établissements canadiensUniversity of Manitoba
Organismes subventionnairesnon disponible
Mots-clésDecoding methodsEncoderComputer scienceVector quantizationAdditive white Gaussian noiseAlgorithmQuantization (signal processing)Channel (broadcasting)GaussianControl theory (sociology)Artificial intelligenceTelecommunications

Résumé

récupéré en direct d'OpenAlex

In this paper, finite-state vector quantization (FSVQ) over noisy channels is studied. In particular a robust, time-recursive algorithm is proposed for reconstructing the output from a finite-state encoder, observed through a noisy channel. In contrast to an ordinary finite-state decoder, the proposed decoder exhibits graceful degradation of performance with increasing channel noise. We also consider the iterative optimization of encoder and decoder for designing channel optimized FSVQ. Simulation results based on Gauss-Markov source and additive white Gaussian noise channel are presented, and it is shown that robust FSVQ designed by methodology introduced here can outperform memory less channel optimized vector quantization at the same rate. Soft-decoding at the receiver, which provides an additional performance gain, is also considered.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: aucune
Score de désaccord entre enseignants0,941
Score d'incertitude au seuil0,791

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,084
Tête enseignante GPT0,327
Écart entre enseignants0,242 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2002
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIEEE International Conference on Acoustics Speech and Signal ProcessingMême sujetAdvanced Data Compression TechniquesTravaux en français237 207