Deep Learning-Based Detection for Marker Codes over Insertion and Deletion Channels

要約

マーカー コードは、データを挿入や削除から保護する効果的なコーディング スキームです。
DNA ストレージやレーストラック メモリなど、将来のストレージ システムに応用できる可能性があります。
マーカー コードをデコードする場合、挿入エラーと削除エラーを検出するには、完全なチャネル状態情報 (CSI)、つまり挿入確率と削除確率が必要です。
場合によっては、完全な CSI を取得するのが容易ではない場合や、正確なチャネル モデルが不明な場合があります。
したがって、完全な CSI の知識がなくても、マーカー コードの検出アルゴリズムを開発するのは当然のことです。
この論文では、深層学習に基づく 2 つの CSI に依存しないマーカー コード検出アルゴリズムを提案します。
1 つ目はモデル駆動型の深層学習手法で、マーカー コードの独自の反復検出アルゴリズムを深く展開します。
この方法では、CSI がニューラル ネットワークの重みとなり、これらの重みはトレーニング データから学習できます。
2 つ目はデータ駆動型の方法で、ディープ双方向ゲート型リカレント ユニット ネットワークに基づくエンドツーエンド システムです。
シミュレーション結果は、提案された方法のエラー性能が、CSI の不確実性を伴う元の検出アルゴリズムのエラー性能よりも大幅に優れていることを示しています。
さらに、提案されたデータ駆動型の方法は、未知のチャネル モデルに対して他の方法よりも優れたエラー性能を示します。

要約(オリジナル)

Marker code is an effective coding scheme to protect data from insertions and deletions. It has potential applications in future storage systems, such as DNA storage and racetrack memory. When decoding marker codes, perfect channel state information (CSI), i.e., insertion and deletion probabilities, are required to detect insertion and deletion errors. Sometimes, the perfect CSI is not easy to obtain or the accurate channel model is unknown. Therefore, it is deserved to develop detecting algorithms for marker code without the knowledge of perfect CSI. In this paper, we propose two CSI-agnostic detecting algorithms for marker code based on deep learning. The first one is a model-driven deep learning method, which deep unfolds the original iterative detecting algorithm of marker code. In this method, CSI become weights in neural networks and these weights can be learned from training data. The second one is a data-driven method which is an end-to-end system based on the deep bidirectional gated recurrent unit network. Simulation results show that error performances of the proposed methods are significantly better than that of the original detection algorithm with CSI uncertainty. Furthermore, the proposed data-driven method exhibits better error performances than other methods for unknown channel models.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google