प्रौद्योगिकी साझेदारी

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

एषः लेखः Huawei इत्यस्य Ottawa Wireless Advanced System Competence Center इत्यस्मात् Wireless Technology Laboratory इत्यस्मात् च आगतः ।

1. स्व-एन्कोडिंग आर्किटेक्चर इत्यनेन सह वैश्विक-अनुप्रेषकाणां सम्मुखे मुख्यसमस्याः

लेखस्य मम कृते सर्वाधिकं प्रेरणादायकः भागः अस्ति यत् अस्मिन् स्व-एन्कोडिंग आर्किटेक्चर इत्यनेन सह वैश्विक-ट्रांससीवर-सम्बद्धानां मुख्यसमस्यानां उल्लेखः कृतः अस्ति :
प्रश्नः १: आकस्मिक-ढाल-अवरोह-पद्धत्याः आधारेण, स्व-एन्कोडरस्य प्रशिक्षणार्थं पृष्ठ-प्रसार-एल्गोरिदमस्य उपयोगेन संप्रेषकस्य गहन-तंत्रिका-स्तरं ग्राहकस्य गहन-तंत्रिका-स्तरं च संयोजयितुं एकस्य वा अधिकस्य विभेदनीय-चैनल-माडल-स्तरस्य आवश्यकता भवति यतो हि वास्तविकचैनलस्य अनेकाः अरैखिकघटकाः (यथा डिजिटल अथवा एनालॉग् पूर्वविकृतिः रूपान्तरणं च) अवश्यं भवन्ति, तथा च अपसैम्पलिंग्, डाउनसैम्पलिंग् इत्यादीनि अविभेद्यपदानि सन्ति, अतः ट्रांसीवरस्य गहनेन तंत्रिकास्तरेन प्रशिक्षितं प्रतिरूपं न तु निर्मितचैनलस्य आधारेण भवति than true channel. वास्तविकचैनलपरिदृश्येषु एवं प्राप्तं प्रतिरूपं अनुमानचरणस्य समये कार्यप्रदर्शनहानिं जनयितुं शक्नोति ।

प्रश्नः २ : सर्वाणि गुप्तस्तराः अथवा मध्यवर्तीस्तराः निवेशसंकेतस्य पश्चसंभावनायाः आधारेण प्रशिक्षिताः भवन्ति । ऑटोएन्कोडर ग्लोबल ट्रांसीवर इत्यस्मिन् ग्राहकस्य गहनस्य तंत्रिकास्तरस्य प्रथमस्तरः एकः मध्यवर्ती स्तरः भवति यस्य निवेशसंकेतः वर्तमानचैनलविकृतिं प्रति प्रवणः भवति एषः प्रभावः ग्राहकस्य सर्वेषु गहनेषु तंत्रिकास्तरेषु अनिवार्यतया व्याप्तः भवति । यदि चैनल् प्रशिक्षणस्य अपेक्षां अतिक्रम्य परिवर्तते तर्हि अनुमानचरणस्य समये ग्राहकस्य विफलतां जनयिष्यति ।

समस्या ३ : तंत्रिकास्तरयोः मध्ये व्याख्याक्षमतायाः अभावः अस्ति, तथा च एतत् ज्ञातुं असम्भवं यत् के न्यूरॉन्, तंत्रिकास्तरयोः मध्ये के सम्बन्धाः च अन्तिमशिक्षणसटीकताम् प्रभावीरूपेण प्रभावितं करिष्यन्ति। गुडफेलो इत्यादयः गहनस्य तंत्रिकाजालवर्गीकरणस्य उदाहरणं दत्तवन्तः यत् यद्यपि शोररहितप्रतिमाभिः सह सुप्रशिक्षितः अस्ति तथापि कोलाहलपूर्णपाण्डाप्रतिमानां गिब्बनरूपेण दुर्वर्गीकरणं कर्तुं शक्नोति एतत् उदाहरणं दर्शयति यत् गहन-तंत्रिका-जाल-आधारितः वर्गीकारः अन्तिम-निर्णयस्य समये केषुचित् "महत्त्वपूर्णमार्गेषु" (पाण्डा-प्रतिबिम्बे केषाञ्चन पिक्सेलानाम् उल्लेखं कृत्वा, "स्थानीय-विशेषताः" इति अपि ज्ञायते) बहुधा अवलम्बते यदि समीक्षात्मकमार्गः अक्षुण्णः भवति तर्हि सम्यक् वर्गीकरणं भविष्यति; तस्मिन् एव काले कोलाहलजन्यः एतादृशः दुर्वर्गीकरणं केवलं नैमित्तिकं स्थितिः भवति यत् संयोजक-यादृच्छिक-कोलाहलस्य उपस्थितौ भवति, यत् दर्शयति यत् गहनं तंत्रिका-जालं "गम्भीर-मार्गः" कोलाहल-मार्गेण अद्यापि संसाधितः इति धारणाम् अवलम्बते आबद्ध। गहनं तंत्रिकाजालं योजक-यादृच्छिक-शब्दस्य कृते प्रवणं भवति, यत् वायरलेस्-ट्रांससीवर-डिजाइन-मध्ये तेषां अनुप्रयोगाय प्रायः घातकं भवति ।

एतेषां त्रयाणां समस्यानां सारः एकस्यामेव मूलसमस्यायाः कारणं भवितुम् अर्हति, अर्थात् गभीर-तंत्रिका-जालस्य सामान्यीकरण-प्रदर्शनं वायरलेस्-चैनेल्-मध्ये यादृच्छिक-परिवर्तनस्य सम्मुखे अत्यन्तं दुर्बलं भवति कोऽपि मॉडलः (अति श्रेष्ठः चैनल् मॉडल् अपि) रेडियोप्रसारस्य सर्वाणि सम्भाव्यपरिदृश्यानि पूर्णतया गृहीतुं न शक्नोति, अतः वितरणात् बहिः (OOD) नमूनानां अथवा बहिर्मुखानाम् संसाधनं एव स्वयम्-एन्कोडर्-इत्यस्य सदैव वास्तविकतायाः सामना कर्तव्यः भवति
अधिकं दुर्बलं कर्तुं, एतेषां समस्यानां विद्यमानसमाधानानाम् अद्यापि बहवः बाधाः सन्ति, यतः प्रस्तावितानि समाधानाः न्यून ऊर्जा-उपभोगस्य, न्यून-विलम्बस्य, वायरलेस्-सञ्चार-उपकरणानाम्, आधारभूत-संरचनानां च कृते न्यून-उपरि-व्ययस्य च व्यावहारिक-आवश्यकतानां पूर्तये भवितुमर्हन्ति एकतः गतिशीलवातावरणे स्वयम्-एन्कोडर-ट्रांससीवरस्य सञ्चयस्य, वर्धनस्य, पुनः प्रशिक्षणस्य च व्ययः अत्यधिकः भवति अपरतः स्वयं सञ्चयस्य, वर्धनस्य, पुनः प्रशिक्षणस्य च सम्पूर्णा प्रक्रिया "गहन-तंत्रिका-जालस्य" अपि उल्लङ्घनं करोति; "एकवारं सर्वेषां कृते" रणनीतिः - अर्थात् एकवारं शिक्षणं दीर्घकालं यावत् प्रभावी भवितुं च, वास्तविक-आवश्यकतानां ऊर्जा-उपभोग-आवश्यकतानां च सम्यक् पूर्तिं कर्तुं न शक्नोति।

वायरलेस् परिदृश्येषु प्रायः चॅनेलस्य यादृच्छिकपरिवर्तनस्य कारणेन बहिर्गताः भवन्ति । अनुमानचरणस्य समये यदि प्रशिक्षणचरणस्य प्रयुक्तात् चैनलप्रतिरूपात् चैनलः परिवर्तमानः विचलितः च भवति तर्हि बहिर्मुखानाम् समस्या विशेषतया प्रमुखा भवति यथा यथा तर्कः प्रचलति तथा तथा अधिकाः बहिर्मुखाः प्रकटिताः भविष्यन्ति, ये प्राप्तस्य संकेतस्य वितरणस्य आकारं प्रभावितं करिष्यन्ति बेन्जिओ गहनशिक्षणस्य दुर्बलसामान्यीकरणप्रदर्शनस्य कारणं ददाति । सम्प्रति केचन उपायाः सन्ति, यथा अतिरिक्तप्रशिक्षणं, यथा स्थानान्तरणप्रशिक्षणं, ध्यानाधारितं पुनरावर्तनीयजालं, अथवा सुदृढीकरणशिक्षणम् परन्तु भविष्ये वायरलेस्-सञ्चारयोः न्यून-ऊर्जा-उपभोगस्य, न्यून-विलम्बस्य, न्यून-नियन्त्रण-ओवरहेडस्य च आवश्यकतानां सम्मुखीभवन् एते उपायाः अव्यावहारिकाः अभवन्, व्यवहार्यतायाः अभावः च अस्ति

लेखे प्रस्तावितायाः एमपीए-पद्धतेः विषये लेखः समाधानविचारानाम् अपि विश्लेषणं करोति, यत् मया अधः कृष्णवर्णेन चिह्नितानां भागानां विषये केन्द्रितम् अस्ति:
"प्रथमं, भेदभावं प्राप्तुं, चैनल् मॉडल् सरलीकरणस्य आवश्यकता वर्तते, परन्तु एतत् सरलीकरणं ऑटोएन्कोडर ट्रांसीवरस्य कार्यक्षमतां क्षतिं करोति। कार्यक्षमतायाः क्षतिः कारणं यत् ऑटोएन्कोडरस्य प्रशिक्षणार्थं प्रयुक्तं चैनल् मॉडल् सरलीकृतं मॉडल् अस्ति, Rather than a वास्तविकं प्रतिरूपम् अर्थात् प्रशिक्षणचरणस्य सरलचैनलप्रतिरूपस्य तथा अनुमानचरणस्य संसाधितस्य वास्तविकचैनलस्य मध्ये एकः आफ्सेट् भवति यदि आफ्सेट् अपेक्षायाः परं वर्धते अस्य कार्यक्षयस्य निवारणार्थं द्वौ उपायौ स्तः । प्रथमं चैनलस्य स्थितिं निरन्तरं अभिलेखयितुं सुदृढीकरणशिक्षणस्य उपयोगः भवति तथा च नीतिं DNN तथा/वा मूल्याङ्कन DNN निरन्तरं प्रशिक्षितुं शक्यते। परन्तु आयामानां जटिलतायाः दृष्ट्या, सुदृढीकरणशिक्षणं वायरलेस् प्रणालीनां कृते अतीव जटिलं भवति, यतः सुदृढीकरणशिक्षणेन संसाधिताः आयामाः वस्तुतः अल्फागो इत्यस्मात् बहु बृहत्तराः सन्ति अतः सुदृढीकरणशिक्षणस्य आधारेण समायोजनतन्त्रं सम्भवं नास्ति । द्वितीयं यत् जेनरेटिव् एडवर्सरी नेटवर्क् (GAN) इत्यस्य उपयोगेन यथासम्भवं अधिकानि चैनल् परिदृश्यानि विशाले गहने न्यूरल नेटवर्क् मॉडल् मध्ये ज्ञातुं शक्यन्ते ।परन्तु एषा अनुभवजन्यविधिः अस्ति तथा च एषा पद्धतिः सर्वाणि चैनलपरिदृश्यानि आच्छादयितुं शक्नोति इति सिद्धं कर्तुं न शक्यते ।。

उपर्युक्तविषयाणां विचारात् बहिः एमपीए-सहिताः स्वयम्-एन्कोडर्-जनाः भिन्नं तकनीकीमार्गं गृह्णन्ति । अनुमानचरणस्य मध्ये एमपीए प्रत्येकस्य आँकडासंचरणस्य कृते वर्तमानचैनलमापनकार्य्ये आयामिकतानिवृत्तिस्तरगुणकं समायोजयिष्यति अतः अनुकूलानुमानं प्रशिक्षणचरणस्य मोटे चैनलप्रतिरूपस्य उपयोगं करिष्यति, यत् वयं "मोटशिक्षणम्" इति वदामः यदि स्थूलशिक्षणं प्रशिक्षणस्य अनुमानस्य च चरणयोः कृते समानं वा समानं वा चैनलप्रतिरूपं अनुकरणं करोति तर्हि स्थूलशिक्षणस्य लाभं सिद्धयितुं कठिनं भवति, परन्तु एतत् लाभं वास्तविकक्षेत्रपरीक्षासु प्रदर्शयितुं शक्यते

द्वितीयं, एमपीए-सहिताः स्वयम्-एन्कोडर्-जनाः जननात्मक-प्रतिद्वन्द्वी-जाल-आधारित-चैनल-माडल-सहितं संयुक्तरूपेण कार्यं कर्तुं शक्नुवन्ति । अनुभवात् अधिकांशचैनलस्य वास्तविकस्थितिः उपयोक्तृस्थाने पर्यावरणीयटोपोलॉजी च निर्भरं भवति, यथा उच्च-उच्चभवनानि, पर्वताः, मार्गाः इत्यादयः अज्ञातचैनलस्य प्रतिरूपणार्थं सशर्तजननविरोधीजालस्य उपयोगेन प्रस्ताविताः सन्दर्भाः च उत्तमं प्रदर्शनं प्राप्तवन्तः ।प्रशिक्षणचरणस्य उत्तमं समर्थनं दातुं वयं एतस्याः पद्धत्याः उपयोगेन चैनल् मॉडल् निर्मातुं शक्नुमः。

अनुमानचरणस्य समये वयं नवीनतमचैनलस्थितीनां प्राप्त्यर्थं पायलट्-तः चैनल-अनुमानं, चैनल-मापन-प्रतिक्रिया, अथवा चैनल-परस्परता-इत्येतयोः उपरि अवलम्बितुं अनुशंसयामः ज्ञायते यत् MPA अपि विरलतायाः लाभं प्राप्नोति तथा च आफ्सेट्, आफ्सेट् च अधिकं सहितुं समर्थः भवति (अतः एव LDPC डिकोडर् प्रभावीरूपेण कार्यं कर्तुं शक्नुवन्ति) । अस्मात् दृष्ट्या पूर्ण-आयामी-चैनल-मापनस्य आवश्यकता नास्ति, केवलं आयामानां भागस्य मापनस्य आवश्यकता वर्तते यद्यपि कश्चन अनुमानदोषः अस्ति तथापि समग्र-प्रदर्शनस्य दृष्ट्या अस्माकं योजनायाः उत्तम-दृढता वर्तते तदतिरिक्तं अधिकदोषसहिष्णुतायुक्तानि गहनानि तंत्रिकास्तराः प्राप्य अवशेषान् नियन्त्रयितुं शक्यन्ते । यतः अनुमान-प्रशिक्षण-पदेषु आयाम-निवृत्ति-स्तरः समायोजितः अस्ति, अतः वयं आयाम-निवृत्ति-स्तरस्य उपयोगं सम्पूर्ण-संचरण-शृङ्खलायाः पूर्व-कोडररूपेण कर्तुं शक्नुमः, अतः गहन-तंत्रिका-स्तरस्य पुनः प्रशिक्षणस्य आवश्यकता नास्ति एतेन न केवलं ऊर्जाबचने लाभः भवति, अपितु उपयोक्तृयन्त्राणां बैटरीजीवनस्य विस्तारे अपि महत् लाभः भवति । " " .

2. लेखानाम् शीघ्रं पठनम्

वस्तुतः लेखे प्रस्तावितायाः पद्धत्याः विषये अहं स्वयमेव अद्यापि संशयितः अस्मि । लेखस्य विधिं संक्षेपेण अवलोकयामः ।

लेख सारांश

लेखः यादृच्छिकचैनलपरिवर्तनानां निवारणे पारम्परिकस्वचालकानाम् दुर्बलसामान्यीकरणप्रदर्शनस्य समस्यायाः समाधानार्थं सन्देशपारीकरण एल्गोरिदम् (MPA) इत्यस्य आधारेण स्वयम्-एन्कोडर-ट्रांससीवरं प्रस्तावयति स्वयम्-एन्कोडर-मध्ये MPA-प्रवर्तनं कृत्वा लेखकः एकं लचीलं ट्रांसीवरं कार्यान्वितं करोति यत् भिन्न-भिन्न-उपयोग-परिदृश्येषु उत्तमं सामान्यीकरण-प्रदर्शनं प्रदातुं शक्नोति एषः उपायः प्रशिक्षणचरणस्य स्थूलशिक्षणस्य, अनुमानचरणस्य च अनुकूलानुमानस्य अनुमतिं ददाति ।

मुख्यसमस्याः समाधानं कृतवन्तः

1. सामान्यीकरणस्य कार्यप्रदर्शनस्य विषयाः: यदा पारम्परिकाः स्वयम्-एन्कोडर-ट्रांससीवराः यादृच्छिक-चैनल-परिवर्तनस्य सामनां कुर्वन्ति, यतः एकवारं प्रशिक्षणं समाप्तं जातं चेत् न्यूरॉन्साः निश्चिन्ताः भवन्ति, तदा सामान्यीकरण-प्रदर्शनं दुर्बलं भवति
2. मॉडलस्य वास्तविकचैनलस्य च मध्ये विचलनम्: आकस्मिक-ढाल-अवरोह-विधि-पृष्ठप्रसार-अल्गोरिदम्-आधारित-प्रशिक्षितानां स्वयम्-एन्कोडर्-इत्यस्य उपयोगः वास्तविक-चैनलस्य अपेक्षया निर्मित-चैनल-प्रतिरूपे निर्भरं भवति, यत् अनुमान-पदे कार्यक्षमतायाः हानिः भवितुम् अर्हति
3. चैनलपरिवर्तनस्य अनुकूलता: Autoencoder global transceiver रिसीवरस्य विफलतां जनयितुं शक्नोति यदा चैनलपरिवर्तनं प्रशिक्षणस्य अपेक्षां अतिक्रमयति।
4. वितरणात् बहिः नमूनाप्रक्रिया: वायरलेसचैनलेषु यादृच्छिकपरिवर्तनेन वितरणात् बहिः नमूनानि वा बहिःस्थानि वा भवन्ति, तथा च विद्यमानसमाधानं वायरलेससञ्चारसाधनानाम् न्यून ऊर्जा-उपभोगं, न्यून-विलम्बं, न्यून-उपरिभार-आवश्यकता च पूरयितुं कठिनं भवति

मुख्य विधि

• सन्देश-प्रसारण-अल्गोरिदम् (MPA) .: यदा चैनलः गतिशीलरूपेण परिवर्तते तदा ट्रांसीवरस्य सामान्यीकरणप्रदर्शने सुधारं कर्तुं प्रीकोडरस्तरस्य माध्यमेन अनुकूलसमायोजनं प्राप्तुं MPA कार्यस्य परिचयः।
• आयामिकता न्यूनीकरण स्तर: स्वयम्-एन्कोडर-रूपरेखायां आयामिकता-कम-स्तरं सम्मिलितं कुर्वन्तु, रेखीय-आयामी-कमीकरण-रूपान्तरणं कुर्वन्तु, तथा च MPA-माध्यमेन आयाम-कम-स्तर-गुणकान् पुनरावर्तनीयरूपेण समायोजयन्तु
• एकान्ते एमपीए पुनरावृत्तिः: मूलस्वचालकस्य पृष्ठप्रसारस्य उपरि निर्भरं विना, आयामिकतानिवृत्तिस्तरं स्वतन्त्रतया समायोजयितुं अग्रे पुनरावृत्तिः (अरैखिकसमर्थनसदिशयन्त्रस्य सदृशं) तथा पश्चात् पुनरावृत्तिः (ध्यानगहनतंत्रिकाजालस्य सदृशम्) इत्येतयोः उपयोगं कुर्वन्तु
• वैश्विकं संलग्नं शिक्षणम्: श्रृङ्खलाप्रशिक्षणयोजनायाः माध्यमेन रूक्षशिक्षणं अनुकूलतर्कं च प्राप्तुं आयामिकतानिवृत्तिस्तरं गहनं तंत्रिकास्तरं च पृथक् प्रशिक्षितं भवति।
• स्थूलशिक्षणं अनुकूलतर्कं च: प्रशिक्षणचरणस्य रूक्षशिक्षणार्थं सरलीकृतचैनलप्रतिरूपस्य उपयोगः भवति, यदा तु वर्तमानचैनलमापनस्थितेः अनुकूलतायै अनुमानचरणस्य एमपीएद्वारा आयामिकतानिवृत्तिस्तरस्य समायोजनं भवति

एतेषां पद्धतीनां माध्यमेन लेखस्य उद्देश्यं यादृच्छिकचैनलपरिवर्तनानां अन्तर्गतं स्वयम्-एन्कोडर-ट्रांससीवरस्य कार्यक्षमतां सामान्यीकरणक्षमतां च सुधारयितुम् अस्ति ।

लेखस्य MPA पद्धतेः कृते भवन्तः चित्राणि १६, १७ च दृष्ट्वा अवलोकनं प्राप्तुं शक्नुवन्ति ।
मुख्यं वस्तु अस्ति यत् संचरणसदिशस्य चैनलस्य च मध्ये आयामी परिवर्तनं पूर्णं कर्तुं MPA स्तरं योजयितुं शक्यते ततः प्रशिक्षणस्य समये प्रथमं MPA स्तरं जमेन भवति । एमपीए स्तरं संचरणार्थं पूर्वकोडिंग्-मानचित्रणं गणयितुं शक्यते । एमपीए स्तरस्य प्रशिक्षणं प्राप्तसंकेतस्य प्रसारितसदिशस्य च मध्ये ध्यानस्य उपरि निर्भरं भवति ।ध्यान गहनं तंत्रिकाजालं भिन्न-भिन्न-आयामयोः मध्ये द्वयोः विशेषतायोः समानतां मापनार्थं प्रभावी पद्धतिः अस्ति . ज्ञातव्यं यत् प्राप्तसंकेतसङ्ख्यायाः अपेक्षया ध्यानानां संख्या न्यूना भवति अर्थात् L