MétaCan
Menu
Retour à la cohorte
Enregistrement W4414856525 · doi:10.1109/lcomm.2025.3617905

Unsourced Random Access With Unequal Power Dynamic Compressed Sensing

2025· article· en· W4414856525 sur OpenAlexafffund
Ehsan Nassaji, Dmitri Truhachev

Notice bibliographique

RevueIEEE Communications Letters · 2025
Typearticle
Langueen
DomaineEngineering
ThématiqueSparse and Compressive Sensing Techniques
Établissements canadiensDalhousie University
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésCompressed sensingEncoding (memory)Power (physics)Random accessState (computer science)Range (aeronautics)Code (set theory)Distribution (mathematics)

Résumé

récupéré en direct d'OpenAlex

In coded compressed sensing (CCS) unsourced random access (URA), the message of each user is subdivided into smaller sub-messages. These are mapped into columns of sensing matrices and concatenated to form the user’s packet. In order to stitch individually reconstructed sub-messages at the receiver, parity-check constraints from prior encoding by an outer code are exploited. The dynamic compressed sensing (DCS) allows to stitch each user’s sub-sequences without the need for prior encoding and the associated redundancy. In this paper, an unequal power DCS is proposed that allocates a specific power distribution to the columns of the sensing matrices. The power distribution is designed via the proposed state evolution (SE) analysis of the receiver processing. Simulation results demonstrate that the proposed unequal power DCS outperforms state-of-the-art URA in terms of energy-per-bit required to support a vast range of active user numbers, from medium to extremely large, unachievable by the current URA systems.

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: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,606
Score d'incertitude au seuil0,717

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 savante0,0000,000
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 Opus0,016
Tête enseignante GPT0,275
Écart entre enseignants0,259 · 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
GenreEmpirique

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

En bref

Citations0
Publié2025
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueIEEE Communications LettersMême sujetSparse and Compressive Sensing TechniquesTravaux en français237 207