DeepNOMA: A Unified Framework for NOMA Using Deep Multi-Task Learning
Notice bibliographique
Résumé
Non-orthogonal multiple access (NOMA) will provide massive connectivity for future Internet of Things. However, the intrinsic non-orthogonality in NOMA makes it non-trivial to approach the performance limit with only conventional communication-theoretic tools. In this paper, we resort to deep multi-task learning for end-to-end optimization of NOMA, by regarding the overlapped transmissions as multiple distinctive but correlated learning tasks. First of all, we establish a unified multi-task deep neural network (DNN) framework for NOMA, namely DeepNOMA, which consists of a channel module, a multiple access signature mapping module, namely DeepMAS, and a multi-user detection module, namely DeepMUD. DeepMAS and DeepMUD are automatically trained in a data-driven fashion, and a multi-task balancing technique is then proposed to guarantee fairness among tasks as well as to avoid local optima. To further exploit the benefits of communication-domain expertise, we introduce constellation shape prior and inter-task interference cancellation structure into DeepMAS and DeepMUD, respectively. These sophisticated designs help to reduce the implementation complexity without sacrificing DNN's universal function approximation property, which makes DeepNOMA a universal transceiver optimization approach. Detailed experiments and link-level simulations show that higher transmission accuracy and lower computational complexity can be simultaneously achieved by DeepNOMA under various channel models, compared with state-of-the-art.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».