Temporal Convolutional Autoencoder for Interference Mitigation in FMCW Radar Altimeters
提出时间卷积自编码器(TCAE)直接处理IQ样本抑制干扰,在严重干扰下高度估计误差比LMS自适应滤波降低85%以上,并保持相位保真度。
2026-08-11 cs.LG eess.SP
SAHMM-VAE: A Source-Wise Adaptive Hidden Markov Prior Variational Autoencoder for Unsupervised Blind Source Separation
本文提出SAHMM-VAE,通过为每个潜在维度分配自适应的隐马尔可夫先验,实现无监督盲源分离的端到端学习,学习源特定的时间结构。
2026-03-26 cs.LG stat.ML
Adaptive sampling using variational autoencoder and reinforcement learning
Department of Engineering Cybernetics, Norwegian University of Science and Technology(工程 cybernetics 系,挪威科学与技术大学);Department of Engineering Sciences, University of Agder(工程科学系,阿格德大学)
本文提出结合变分自编码器和强化学习的自适应稀疏感知框架,通过顺序选择测量提升稀疏采样效率和重建质量。
2025-12-03 cs.LG
PDGMM-VAE: A Variational Autoencoder with Adaptive Per-Dimension Gaussian Mixture Model Priors for Nonlinear ICA
Hong Kong Polytechnic University(香港理工大学)
本文提出PDGMM-VAE,通过为每个潜在维度分配独立的高斯混合模型先验,实现非线性ICA中的源分离。模型通过自适应学习先验参数,提升对非高斯源统计的捕捉能力,实验表明其在非线性和线性混合问题中表现优异。
2026-03-20 cs.LG stat.ML
Multi-view Subspace Adaptive Learning via Autoencoder and Attention
China University of Petroleum, Beijing Campus (CUP)(中国石油大学(北京))
多视图学习能够更全面地覆盖数据样本的所有特征,因此多视图学习受到了广泛的关注。传统的子空间聚类方法,如稀疏子空间聚类(SSC)和低秩子空间聚类(LRSC),聚类的亲和矩阵的单一视图,从而忽略了视图之间的融合问题。在本文中,我们提出了一种新的基于注意力和自编码器的多视点子空间自适应学习(MSALAA)。该方法结合了深度自编码器和多视图低秩稀疏子空间聚类(MLRSSC)中各视图自表示的对齐方法,既提高了对非线性拟合的能力,又满足了多视图学习的一致性和互补性原则。我们在六个真实数据集上观察到现有基线方法的显着改进。
2022-01-01 cs.CV cs.LG
Adaptive Path-Integral Autoencoder: Representation Learning and Planning for Dynamical Systems
KAIST(韩国科学技术院)
我们提出了一种表示学习算法,该算法从高维\textit{sequential}原始数据中学习低维潜在动力系统,例如,视频.该框架建立在摊销推理方法的最新进展,使用推理网络和细化过程,从给定的观察序列的变分分布输出样本,并利用控制和推理之间的对偶性,近似解决棘手的推理问题,使用路径积分控制方法。学习的动态模型可以用来预测和规划未来的状态,我们还提出了有效的规划方法,利用学习的低维潜在的动态。数值实验表明,所提出的基于路径积分控制的变分推理方法,导致更严格的下界在序列数据的统计模型学习。补充视频:https://youtu.be/xCp35crUoLQ
2019-01-03 cs.LG cs.RO stat.ML
Deep Autoencoder-based Z-Interference Channels with Perfect and Imperfect CSI
Villanova University(维拉诺瓦大学)
本文提出一种基于深度自编码器的Z干扰信道端到端通信结构,通过联合优化编解码器对、引入I/Q功率分配层生成干扰感知星座图,在完美与非完美CSI下均显著降低误码率,提升系统鲁棒性。
2023-10-23 cs.AI cs.IT cs.LG
Removing Radio Frequency Interference from Auroral Kilometric Radiation with Stacked Autoencoders
Department of Computer Science, University of Southern California(计算机科学系,南加州大学);Haystack Observatory, Massachusetts Institute of Technology(Haystack天文台,麻省理工学院);Department of Physics and Astronomy, Dartmouth College(物理与天文学系,达特茅斯学院)
本研究针对天文射频数据受射频干扰影响观测的问题,提出基于合成谱图训练的极光射电去噪自编码器DAARE,可有效去除极光千米辐射中的干扰,性能优于现有方法,相关框架已开源。
2023-03-10 astro-ph.IM cs.LG
Adaptive Policy Learning Under Unknown Network Interference
Department of Statistical Science(统计科学系);Duke University(杜克大学)
本文提出一种基于Gibbs采样的自适应策略学习算法,同时学习网络干扰结构并优化个体治疗分配,实现总奖励线性建模及因果分析。
2026-05-11 cs.LG stat.ML
Chasing Collective Variables using Autoencoders and biased trajectories
CERMICS, Ecole des Ponts(巴黎高科路桥学院 CERMICS 实验室);MATHERIALS team-project, Inria Paris(法国国家信息与自动化研究所巴黎中心 MATHERIALS 团队)
自由能偏置方法已被证明是一种强有力的工具,可以通过修改采样措施来加速分子重要构象变化的模拟。然而,这些方法大多依赖于低维慢自由度的先验知识,即集体变量(CV)。或者,可以使用机器学习(ML)和降维算法来识别这样的CV。在这种情况下,已经提出了使用自适应偏置以迭代方式学习CV的方法:在每次迭代时,学习的CV用于执行自由能自适应偏置以生成新数据并学习新CV。在本文中,我们介绍了一种新的迭代方法,涉及CV学习与自动编码器:自由能偏置和迭代学习与自动编码器(FEBILAE)。我们的方法包括一个重新加权方案,以确保学习模型在每次迭代时优化相同的损失,并实现CV收敛。以丙氨酸二肽体系和溶剂化的chignolin微蛋白体系为例,我们提出了我们的算法的结果,使用扩展的自适应偏置力作为自由能自适应偏置方法。
2021-10-19 cs.LG physics.bio-ph physics.comp-ph
Interference and noise cancellation for joint communication radar (JCR) system based on contextual information
Cranfield University(克兰菲尔德大学);Heriot-Watt University(赫瑞-瓦特大学)
本文探讨了无线通信和雷达信号的分离,从而保证共存,并作为一个灵丹妙药频谱感知。首先,考虑到接收端(通信和雷达)已知信道冲激响应,通过优化波束形成权值,可以有效地抑制信号干扰,提高系统的物理层安全性。此外,当信道响应未知时,我们设计了一个干扰滤波器作为低复杂度的噪声和干扰消除自动编码器。通过减少对合法用户的干扰,保证了PLS。结果表明,即使对于低信噪比,自动编码器产生低均方根误差(RMSE)值。
2023-02-14 cs.IT cs.LG eess.SP
Quasiparticle Interference Kernel Extraction with Variational Autoencoders via Latent Alignment
Department of Computer Science \& \ University of Notre Dame South Bend, IN, USA;Department of Physics \& Astronomy University of Notre Dame South Bend, IN, USA
本文提出基于变分自编码器和潜在对齐的AI框架,实现复杂散射条件下准粒子干涉核的高效提取。
2026-02-13 cs.LG
Adaptive Generation of Phantom Limbs Using Visible Hierarchical Autoencoders
University of Tennessee at Chattanooga(查塔努加田纳西大学)
根据异构运动传感器测量的人体功能部位的运动行为,提出了一种自适应幻肢生成中的分层可视自动编码器。提出的可视分层自动编码器由可解释的和多相关的自动编码器管道,这是直接从森林数据结构描述的分层网络派生。根据指定的动力学脚本(例如,跳舞、跑步等)和用户的身体状况,从人体肌肉骨骼网络中提取分层网络,该网络由多个身体部件(例如,肌肉、骨骼和关节等)它们在生物机械、功能或神经上相互关联,并且大多表现出非发散的动力学行为。多层感知器(MLP)回归模型,以及几种变化的自动编码器模型,研究了顺序生成的缺失或功能障碍的肢体。幻肢的运动学行为将使用虚拟现实和增强现实(VR/AR)、致动器和潜在的假肢控制器(一种替代缺失身体部位的人造设备)来构建。所述工作旨在开发实用的创新锻炼方法,其(1)使所有年龄段的个人,包括患有慢性健康状况和/或残疾的人,参与定期的身体活动,(2)加速患者的康复,以及(3)释放用户的幻肢疼痛。在今后的工作中,将严格评估所述工作的生理和心理影响。
2019-10-02 cs.HC cs.LG
Inter-Cell Interference Rejection Based on Ultrawideband Walsh-Domain Wireless Autoencoding
Department of Electrical Engineering KU LEUVEN Leuven, Belgium 3001(电子工程系 卢旺达大学 布鲁塞尔)
本文提出了一种基于超宽带沃尔什域无线自编码的小区间干扰抑制方法,通过优化发射端和接收端的编码/解码以实现高达12dB的干扰抑制效果。
2026-01-16 cs.AI cs.LG cs.NI
TerraMAE: Learning Spatial-Spectral Representations from Hyperspectral Earth Observation Data via Adaptive Masked Autoencoders
Colorado State University(科罗拉多州立大学)
提出TerraMAE框架,通过自适应通道分组和增强重建损失学习高光谱空间-光谱表示,在图像重建及作物识别等下游任务中表现优异。
2025-08-09 cs.CV cs.LG
Adaptive Compression of the Latent Space in Variational Autoencoders
Czech Institute of Informatics, Robotics and Cybernetics(捷克信息学、机器人学与控制论研究所);Czech Technical University in Prague(布拉格捷克理工大学)
本文提出一种在VAE训练中通过逐步移除神经元自动确定最优潜在空间大小的方法,在四个图像数据集上比网格搜索更快且性能相当。
2023-12-11 cs.AI cs.LG
Adaptive Regime-Aware Stock Price Prediction Using Autoencoder-Gated Dual Node Transformers with Reinforcement Learning Control
School of Electrical Engineering
本文提出了一种自适应预测框架,通过自编码器识别异常市场状态,并利用门控双节点变压器和强化学习控制提升预测准确性,实验表明其在预测精度和高波动时期表现优异。
2026-04-02 cs.AI cs.LG q-fin.ST
V-Coder: Adaptive AutoEncoder for Semantic Disclosure in Knowledge Graphs
Ludwig-Maximilians-Universität(慕尼黑大学)
语义网或知识图谱(KG)成为智能系统中最重要的信息源之一。主要挑战之一是从文本数据中提取和处理明确的信息。根据人类的感知,两个命名实体之间的重叠语义联系变得清晰,这是因为我们对关系所处的上下文有常识,而当我们从机器的自动驱动过程中看待它时,情况并非如此。在这项工作中,我们感兴趣的问题,关系的解决方案的范围内的KG,即,我们正在调查的内在语义的实体之间的关系网络。我们提出了一个新的自适应AutoEncoder,称为V-编码器,以确定关系固有的连接实体从不同的领域。这些关系可以被认为是模棱两可的,是解开的候选人。与自适应学习理论(ART)类似,我们的模型通过增加竞争层中的单元来从KG中学习新模式,而不会丢弃之前观察到的模式,同时单独学习每个关系的质量。对Freebase、Yago和NELL的真实数据集的评估表明,V-Coder不仅能够从损坏的输入数据中恢复链接,而且还表明KG中关系的语义揭示显示出改善链接预测的趋势。语义评估将评估包装起来。
2022-07-22 cs.AI cs.LG
Variational autoencoder with weighted samples for high-dimensional non-parametric adaptive importance sampling
ONERA(法国航空航天研究院);Université de Toulouse(图卢兹大学);Institut de Mathématiques de Toulouse(图卢兹数学研究所);CNRS(法国国家科学研究中心);Zurich University of Applied Sciences(苏黎世应用科技大学)
本研究提出用变分自编码器参数化分布进行高维非参数自适应重要性采样,通过新目标函数处理加权样本,并引入可学习先验和预训练防止后验坍缩,在多模态问题上有效估计稀有事件概率。
2023-10-13 cs.LG math.ST stat.TH
Neighborhood Adaptive Estimators for Causal Inference under Network Interference
Duke University(杜克大学);Yale University(耶鲁大学);The Fuqua School of Business, Duke University(杜克大学福库商学院)
针对网络干扰下因果效应估计问题,提出邻域自适应估计量,通过考虑所有可能的干扰半径并引入合成处理解耦依赖关系,实现了对处理组平均直接处理效应的有效估计。
2025-03-04 cs.LG econ.EM stat.ML
Towards Adversarial Purification using Denoising AutoEncoders
Indian Institute of Technology Kharagpur(印度理工学院卡拉格布尔分校)
随着图像识别中深度学习模型的快速发展和越来越多的使用,安全性成为其在安全关键系统中部署的主要问题。由于深度学习模型的准确性和鲁棒性主要取决于训练样本的纯度,因此深度学习架构通常容易受到对抗攻击的影响。对抗攻击通常是通过对正常图像进行微妙的扰动来获得的,这些扰动大多是人类无法感知的,但会严重混淆最先进的机器学习模型。我们提出了一个名为APuDAE的框架,利用去噪自动编码器(DAE)通过以自适应的方式使用这些样本来净化这些样本,从而提高被攻击的目标分类器网络的分类准确性。我们还展示了如何使用DAE自适应而不是直接使用它们,进一步提高分类精度,并且对设计自适应攻击来欺骗它们的可能性更具鲁棒性。我们在MNIST,CIFAR-10,ImageNet数据集上展示了我们的结果,并展示了我们的框架(APuDAE)如何在净化对手方面提供与基线方法相当的性能,并且在大多数情况下提供更好的性能。我们还设计了专门针对净化模型的自适应攻击,并展示了我们的防御是如何强大的。
2022-08-29 cs.CR cs.LG
Multiresolution Convolutional Autoencoders
University of Washington(华盛顿大学);Lawrence Livermore National Lab(劳伦斯利弗莫尔国家实验室)
我们提出了一种多分辨率卷积自动编码器(MrCAE)架构,该架构集成并利用了三种非常成功的数学架构:(i)多重网格方法,(ii)卷积自动编码器和(iii)迁移学习。该方法提供了一个自适应的,分层的架构,利用渐进的训练方法多尺度时空数据。该框架允许跨多个尺度的输入:从紧凑的(少量权重)网络架构和低分辨率数据开始,我们的网络以原则性的方式逐步加深和扩大,以基于其当前重建性能在更高分辨率数据中编码新信息。应用基本的迁移学习技术来确保从先前的训练步骤中学习到的信息可以快速地转移到更大的网络中。因此,网络可以动态地捕获网络的不同深度处的不同缩放特征。这种自适应多尺度架构的性能增益说明通过一系列的数值实验合成的例子和现实世界的时空数据。
2020-04-10 cs.LG cs.NA eess.IV
WALoMA: A Multitask Wireless Foundation Model via Adaptive Low-Rank Masked Autoencoders
King Abdullah University of Science and Technology (KAUST)(阿卜杜拉国王科技大学);University of Southampton(南安普顿大学)
研究针对6G无线物理层架构中特定任务模型局限和标记数据稀缺问题,提出WALoMA模型,利用自适应低秩掩码自动编码器,通过自监督学习从无标签数据中学习可转移表示,在五个下游任务中表现出色,显著优于基线。
2026-07-29 cs.LG cs.NI
Domain-Adaptive Health Indicator Learning with Degradation-Stage Synchronized Sampling and Cross-Domain Autoencoder
本文提出域适应健康指标学习框架,通过退化阶段同步采样和跨域自编码器提升跨域对齐与长期监测性能。
2026-03-11 cs.AI cs.LG
Soft Autoencoder and Its Wavelet Adaptation Interpretation
Rensselaer Polytechnic Institute(伦斯勒理工学院);Northeastern University(东北大学)
近年来,深度学习成为机器学习研究的热点,并对许多重要领域产生了巨大的影响。然而,深度学习因缺乏可解释性而受到批评。作为深度学习中一种成功的无监督模型,自编码器具有广泛的应用范围,但它也存在模型不透明的问题。在本文中,我们提出了一种新型的卷积自编码器,称为软自动编码器(Soft-AE),其中编码层的激活函数实现自适应软阈值单元,而解码层实现与线性单元。因此,软声发射可以自然地解释为一个学习级联小波收缩系统。我们的去噪实验表明,Soft-AE不仅是可解释的,而且相对于其同行还提供了具有竞争力的性能。此外,我们提出了一个广义线性单元(GenLU),使自动编码器在非线性滤波图像和数据,如去噪和去模糊更自适应。
2021-01-05 cs.LG eess.SP stat.ML
When Trees Are Not Enough: Learning Mixed-Topology Feature Graphs with Adaptive Graph Sparse Autoencoders
University of Arizona(亚利桑那大学);Iowa State University(爱荷华州立大学);Old Dominion University(欧道明大学)
提出自适应图稀疏自编码器(AG-SAE),通过竞争完整父集学习混合拓扑特征图,以结构损失引导训练并闭环优化字典,实现比树结构更可靠的特征组织与更强因果干预。
2026-09-30 cs.CL cs.LG
Time-Aware Feature Selection: Adaptive Temporal Masking for Stable Sparse Autoencoder Training
Yale University(耶鲁大学);University of Chicago(芝加哥大学)
针对稀疏自编码器训练中的特征吸收问题,提出自适应时间掩码(ATM)方法,通过动态重要性分数与概率掩码实现稳定特征选择,在Gemma-2-2b上显著降低吸收分数并保持重构质量。
2025-10-09 cs.AI cs.CL cs.LG
SoftSAE: Dynamic Top-K Selection for Adaptive Sparse Autoencoders
Jagiellonian University(雅盖隆大学);IDEAS Research Institute(IDEAS研究所)
SoftSAE通过动态Top-K机制调整稀疏自编码器的激活特征数量,以适应不同输入复杂度,提升表示匹配度和解释长度。
2026-05-08 cs.CV cs.LG
A Denoising Autoencoder that Guides Stochastic Search
Queen Mary, University of London(伦敦大学玛丽女王学院)
描述了一种自适应学习非线性突变分布的算法。它的工作原理是在遗传算法的每一代在线训练一个去噪自动编码器(DA),以重建迄今为止最佳基因型的缓慢衰减的记忆。压缩的隐藏层迫使自动编码器学习训练集中的隐藏特征,这些特征可用于加速对具有类似结构的新问题的搜索。它的输出神经元定义了一个概率分布,我们从中采样以产生后代解决方案。该算法优于一个典型的遗传算法在几个组合优化问题,如多维0/1背包问题,MAXSAT,HIFF,和参数优化问题,如Rastrigin和Rosenbrock函数。
2014-04-06 cs.LG cs.NE
Adaptive Sparse Allocation with Mutual Choice & Feature Choice Sparse Autoencoders
MATS
针对TopK SAEs固定每token活跃特征数的局限,提出特征选择与互选SAEs,实现自适应稀疏分配,并引入aux_zipf_loss减少死特征,提升重建质量。
2024-11-07 cs.AI cs.LG
Video Compression With Rate-Distortion Autoencoders
Qualcomm AI Research(高通人工智能研究院)
在本文中,我们提出了一个深度生成模型的有损视频压缩。我们采用的模型,包括一个3D的自编码器与离散的潜在空间和自回归先验用于熵编码。自动编码器和先验都被联合训练以最小化率失真损失,这与变分自动编码器中使用的ELBO密切相关。尽管它很简单,我们发现我们的方法优于最先进的学习视频压缩网络的基础上运动补偿或插值。我们系统地评估各种设计选择,如使用基于帧的或时空自编码器,以及自回归先验的类型。此外,我们提出了三个扩展的基本方法,证明了传统的方法压缩的好处。首先,我们引入语义压缩,其中模型被训练为将更多的比特分配给感兴趣的对象。其次,我们研究自适应压缩,其中模型适应于具有有限可变性的域,例如,从自动驾驶汽车拍摄的视频,以实现该领域的卓越压缩。最后,我们介绍了多模态压缩,在那里我们证明了我们的模型在联合压缩非标准成像传感器(如四摄像头)捕获的多种模态中的有效性。我们相信,这开辟了新的视频压缩应用,这是不可行的经典编解码器。
2019-11-13 cs.LG eess.IV stat.ML
Study of Robust Adaptive Beamforming with Covariance Matrix Reconstruction Based on Power Spectral Estimation and Uncertainty Region
针对均匀线性阵列,本文提出基于功率谱估计与不确定区域的IPN-PSEUR鲁棒自适应波束形成方法,实现干扰角区更新和协方差矩阵重构,性能在宽信噪比范围内接近最优。
2023-03-18 cs.LG cs.NI
Study of Robust Adaptive Beamforming Based on Low-Complexity DFT Spatial Sampling
University of Sao Paulo(圣保罗大学);PUC-Rio(里约热内卢天主教大学);University of York(约克大学);Eastern Mediterranean University(东地中海大学)
本文提出了一种新的和强大的自适应波束形成算法的基础上重建的自相关序列(ACS)的随机过程从一组测量数据的思想。这是从样本协方差矩阵(SCM)的第一列和第一行沿其对角线求平均后获得的。然后,使用离散傅里叶变换(DFT)的相关序列的功率谱估计。噪声加干扰区域内的角度对应的DFT系数用于重构噪声加干扰协方差矩阵(NPICM),而期望信号协方差矩阵(DSCM)通过从SCM中识别和去除噪声加干扰分量来估计。特别地,利用估计的接收信号的空间功率谱来计算对应于噪声加干扰的相关序列,其中捕获噪声加干扰的主导DFT系数。所提出的自适应波束形成的一个关键优点是,只有很少的先验信息是必需的。具体而言,需要阵列几何形状和干扰所处的角度扇区的不精确知识。仿真结果表明,与以往的基于重构的波束形成器相比,该方法在输入信噪比变化范围很大的情况下,在多个失配的情况下都能获得更好的整体性能。
2021-06-23 cs.IT cs.LG math.IT
Blind Equalization and Channel Estimation in Coherent Optical Communications Using Variational Autoencoders
Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院);Nokia(诺基亚)
本文研究了基于变分推理的自适应盲均衡器在光通信载波恢复中的应用。这些均衡器基于最大似然信道估计的低复杂度近似。我们将变分自编码器(VAE)均衡器的概念推广到高阶调制格式,包括概率星座成形(PCS),在光通信中无处不在,在接收机过采样,和双偏振传输。除了基于卷积神经网络的黑盒均衡器之外,我们还提出了基于线性蝶形滤波器的基于模型的均衡器,并使用变分推理范式训练滤波器系数。作为副产品,VAE还提供可靠的信道估计。我们分析了VAE在经典的加性高斯白噪声(AWGN)信道与符号间干扰(ISI)和色散线性光双偏振信道的性能和灵活性。我们表明,它可以扩展盲自适应均衡器的应用范围优于国家的最先进的恒模算法(CMA)的PCS固定,但也随时间变化的信道。评价伴随着超参数分析。
2022-09-15 cs.IT cs.LG eess.SP
Federated Learning with MMD-based Early Stopping for Adaptive GNSS Interference Classification
Fraunhofer Institute for Integrated Circuits IIS(弗劳恩霍夫集成电路研究所)
本文提出一种基于少样本学习和MMD动态早停的联邦学习方法,通过平衡分布外类别特征分布,在四个GNSS数据集上验证其自适应干扰分类性能优于现有方法。
2024-12-30 cs.DC cs.LG
Unsupervised Linear and Nonlinear Channel Equalization and Decoding using Variational Autoencoders
Tel-Aviv University(特拉维夫大学)
介绍了一种新的盲信道均衡和译码方法,即变分推理方法,特别是变分自编码器(VAE)。首先,我们考虑重建的未编码的数据符号传输在一个嘈杂的线性符号间干扰(ISI)的信道,与一个未知的脉冲响应,而不使用导频符号。我们推导出一个近似的最大似然估计的信道参数和重建的传输数据。我们表现出显着和一致的改善,在出错率的重建符号,相比现有的盲均衡方法,如恒模,从而使更快的信道采集。VAE均衡器使用具有少量自由参数的卷积神经网络。这些结果被推广到未知参数的噪声非线性ISI信道的盲均衡。然后,我们考虑编码通信使用低密度奇偶校验(LDPC)码在噪声线性或非线性ISI信道上传输。目标是在不使用导频符号的情况下,根据与所发送的码字相对应的信道观测来重构所发送的消息。我们证明了改进的期望最大化(EM)算法,使用涡轮均衡。此外,不同于EM,我们的方法的计算复杂性不具有对信道冲激响应的大小的指数依赖性。
2020-04-13 cs.IT cs.LG eess.SP
Blind Channel Equalization using Variational Autoencoders
Tel-Aviv University(特拉维夫大学)
提出了一种新的基于变分自编码器(VAE)的盲信道均衡最大似然估计方法。重构符号的错误率的显着和一致的改善,相比恒模均衡器,被证明。事实上,对于所研究的信道,新的VAE盲信道均衡器的性能接近于非盲自适应线性最小均方误差均衡器的性能。与恒模算法(CMA)相比,新的均衡方法能够显著降低延迟通道采集。VAE使用具有两层和非常少量的自由参数的卷积神经网络。虽然新的均衡器的计算复杂度比CMA高,但它仍然是合理的,并且要估计的自由参数的数量很少。
2018-03-05 cs.IT cs.LG eess.SP
Learning Robust Representations for Communications over Interference-limited Channels
Indian Institute of Technology Madras(印度马德拉斯理工学院);University of California Irvine(加州大学欧文分校);University of California San Diego(加州大学圣迭戈分校)
针对蜂窝网络边缘用户的两用户干扰信道问题,提出基于自编码器的 TwinNet 与 SiameseNet,用于块传输编解码设计,并量化其相对正交方案的性能增益及码字特性。
2024-10-13 cs.IT cs.LG math.IT
Adaptive Model Pooling for Online Deep Anomaly Detection from a Complex Evolving Data Stream
UIUC(伊利诺伊大学厄巴纳-香槟分校);KAIST(韩国科学技术院);University of Vermont(佛蒙特大学)
数据流的在线异常检测对于许多应用程序的安全性至关重要,但由于物联网设备和基于云的基础设施的复杂和不断变化的数据流,它正面临着严峻的挑战。不幸的是,现有的方法对于这些挑战来说太短了;在线异常检测方法承担着处理复杂性的负担,而离线深度异常检测方法则受到不断变化的数据分布的影响。本文提出了一个在线深度异常检测框架ARCUS,它可以用任何基于自动编码器的深度异常检测方法来实例化。它处理复杂和不断变化的数据流使用自适应模型池的方法与两个新的技术:概念驱动的推理和漂移感知模型池更新;前者检测异常的组合模型最适合的复杂性,后者适应模型池动态地适应不断变化的数据流。在对10个高维和概念漂移的数据集进行的综合实验中,ARCUS将最先进的基于自动编码器的方法和最先进的流异常检测方法的流变体的异常检测精度分别提高了22%和37%。
2022-06-09 cs.AI cs.DB cs.LG
Spectrum Breathing: Protecting Over-the-Air Federated Learning Against Interference
The University of Hong Kong(香港大学);Weizmann Institute of Science(魏茨曼科学研究所)
针对空中联邦学习易受干扰的问题,本文提出频谱呼吸方法,通过级联随机梯度剪枝与扩频技术抑制干扰,并基于鞅收敛分析优化呼吸深度参数,实现固定或自适应控制,确保强干扰下模型收敛。
2024-11-22 cs.CR cs.IT cs.LG