[論文レビュー] Detection Algorithms for Communication Systems Using Deep Learning

Nariman Farsad, Andrea Goldsmith|arXiv (Cornell University)|May 22, 2017

Molecular Communication and Nanonetworks参考文献 23被引用数 123

ひとこと要約

本論文は、未知チャネルでシンボルを検出するためにチャネルモデルなしで深層学習検出器を訓練できることを示し、分子（化学）通信実験においてベースライン検出器と比較してBERを大きく改善することを示している。

ABSTRACT

The design and analysis of communication systems typically rely on the development of mathematical models that describe the underlying communication channel, which dictates the relationship between the transmitted and the received signals. However, in some systems, such as molecular communication systems where chemical signals are used for transfer of information, it is not possible to accurately model this relationship. In these scenarios, because of the lack of mathematical channel models, a completely new approach to design and analysis is required. In this work, we focus on one important aspect of communication systems, the detection algorithms, and demonstrate that by borrowing tools from deep learning, it is possible to train detectors that perform well, without any knowledge of the underlying channel models. We evaluate these algorithms using experimental data that is collected by a chemical communication platform, where the channel model is unknown and difficult to model analytically. We show that deep learning algorithms perform significantly better than a simple detector that was used in previous works, which also did not assume any knowledge of the channel.

研究の動機と目的

• 未知または扱いづらいチャネルモデルのときに検出アルゴリズム設計を動機づける。特に分子通信で。
• ラベル付き送信データから直接学習する深層学習ベースの検出器を提案する。
• 実データを用いてシンボルごとおよび連続検出アーキテクチャを評価する。
• 後続の誤り訂正のためのソフト出力の利点を強調する。
• 実験的チャネル検証と検出器設計のギャップを埋める。

提案手法

• 送信シンボルをone-hot表現とした分類問題として検出を定式化する。
• 送信シンボル列と受信信号のラベル付きペアを用いて深層学習分類器を訓練する。
• ソフト出力としての送信シンボルの尤度推定を最大化するためにクロスエントロピー損失を用いる。
• ISIチャネルに対してシンボルごと検出器（Dense-NetおよびCNN）とシーケンス検出器（LSTMおよび双方向LSTM）を評価する。
• BRNN/LSTMアーキテクチャを用いて複数の受信シンボルから情報を活用するようにシーケンス文脈を組み込む。
• 化学チャネルでpHビニングを用いた変化率ベースの検出器と比較する。

実験結果

リサーチクエスチョン

• RQ1 解析的チャネルモデルを用いない訓練を受けた検出器は未知チャネルで信頼性のあるシンボル検出を達成できるか？
• RQ2 分子通信において深層学習検出器が非モデルベースの基準検出器に対してどの程度性能向上をもたらすか？
• RQ3 ISIが存在する場合、シンボルごと検出とシーケンス検出アーキテクチャはどう比較されるか？
• RQ4 シーケンス長はBERに影響を与えるか、双方向アーキテクチャはさらなる利得をもたらすか？

主な発見

Symb. Dur.	Baseline	Dense-Net	CNN-Net	LSTM3-Net8	BiLSTM3-Net8	LSTM3-Net120	CNN-LSTM3-Net120
250	0.1297	0.1057	0.1068	0.0685	0.0496	0.0333	0.0677
334	0.0755	0.0245	0.0750	0.0207	0.0167	0.0417	0.0271
380	0.0797	0.0380	0.0589	0.0088	0.0019	0.0083	0.0026
500	0.0516	0.0115	0.0063	0.0049	0.0028	0.0005	0.0021

• 深層学習検出器は、シンボル継続時間やアーキテクチャを問わず、ベースラインの非モデル検出器を大きく上回る。
• シンボルごとのDense-NetおよびCNN-NetはBERを著しく低減し、CNN-Net が多くの場合 Dense-Net を上回る。
• シーケンス検出器（LSTMベース）はBERを大幅に改善し、特に長いシーケンスで顕著。BiLSTMは一方向LSTMを上回ることがあるが、検出には全シーケンスが必要。
• 報告データでは、さまざまなシンボル継続時間でLSTMベースおよびCNNベースのシーケンス検出器がベースラインと比較してBERを大幅に改善している（例: 500 ms では BiLSTM3-Net8 が 0.0005 を達成）。
• 双方向のシーケンス検出器は、シーケンス内の過去および未来の両方のシンボル情報を活用して検出をさらに改善する。