Joint Constellation Design and Multiuser Detection for Grant-Free NOMA
Notice bibliographique
Résumé
As a promising solution for massive machine-type communication, grant-free non-orthogonal multiple access (GF-NOMA) has received considerable attention in recent years. However, the multidimensional constellation design (MCD) and multiuser detection (MUD) in GF-NOMA are usually optimized in a <italic xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">divide and conquer</i> way, leading to local optima and performance degradation. To address this issue, we investigate the joint optimization of MCD and MUD for GF-NOMA. The formulated joint optimization is based on variational inference, which is intractable due to the signal superimposition that makes the optimization variables intricately coupled. Then, we resort to end-to-end deep learning (DL) to obtain the optimal solution. Specifically, we propose a DL-based multi-task variational autoencoder (Mul-VAE) that adopts a variational autoencoder network to optimize the distribution of the constellation points. We further derive the loss function of the proposed network and analyze it from an information-theoretic perspective. On this basis, multi-task learning is employed to deal with mutually conflicting yet related detection processes. Besides, taking heterogeneous transmission rates of users into account, a multi-task prioritizing strategy is designed to balance training performance. Simulation results reveal that the proposed method enables significant gains compared to state-of-the-art techniques.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
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 tête enseignante, 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 ».