AI na Matatizo Magumu ya Ulimwengu · Sayansi ya kompyuta ya kinadharia · arXiv · 2026-10-22
Kujifunza Kuingiliana katika Usimbaji wa Pamoja wa Chanzo-Kituo wa Ufikiaji Mwingi Usio wa Orthogonal
Kichwa asilia: Learning to Interfere in Non-Orthogonal Multiple-Access Joint Source-Channel Coding
Wakati vitumaji vingi vinapowasilisha ishara za chanzo kama vile picha kupitia kituo cha ufikiaji mwingi, mifumo ya kawaida hupunguza uwezo kwa kugawa muda na upana wa bendi kwa njia ya orthogonal ili kupunguza mvurugano. Njia inayopendekezwa ya kutuma picha bila waya inayosaidiwa na ML inaunganisha kubana data na usimbaji wa kituo na multi-view autoencoder, huku ikiwaruhusu vitumaji kutumia rasilimali zote za kituo zilizopo kwa wakati mmoja katika mpango wa non-orthogonal multiple access (NOMA) ambapo kipokezi hurejesha picha zote kutoka kwa ishara iliyounganishwa na kuhusisha kila moja na kitumaji chake. Algoriti ya fine-tuning ya hatua kwa hatua huongeza maradufu idadi ya watumiaji katika kila mzunguko, huku ikiwezesha hadi watumiaji 64 kwa ongezeko la 2.4% tu la parameta zinazoweza kufundishwa ikilinganishwa na modeli ya mtumiaji mmoja, na hufanya vizuri kuliko njia zilizopo zinazotegemea NOMA katika anuwai pana ya seti za data, vipimo, na hali za kituo.