多用户多输入多输出（MU-MIMO）系统可用于满足5G和超越网络的高吞吐量要求。基站在上行链路MU-MIMO系统中为许多用户提供服务，从而导致多用户干扰（MUI）。设计用于处理强大MUI的高性能探测器具有挑战性。本文分析了最先进消息传递（MP）检测器中使用高MUI的后验分布近似引起的性能降解。我们开发一个基于图神经网络的框架来微调MP检测器的腔分布，从而改善MP检测器中的后验分布近似。然后，我们提出了两个基于神经网络的新型检测器，它们依赖于期望传播（EP）和贝叶斯平行干扰取消（BPIC），分别称为GEPNET和GPICNET探测器。 GEPNET检测器可最大化检测性能，而GPICNET检测器平衡了性能和复杂性。我们提供了置换量比属性的证明，即使在具有动态变化的用户数量的系统中，也只能对检测器进行一次培训。仿真结果表明，所提出的GEPNET检测器性能在各种配置中接近最大似然性能，而GPICNET检测器将BPIC检测器的多路复用增益加倍。
translated by 谷歌翻译
2022-06-18
在单独或多任务设置中评估了当前最新的视觉和语言模型，从而忽略了持续学习（CL）任务到达时的挑战。现有的CLENG分类促进了有关调整任务和减轻“灾难性遗忘”的研究，但仅限于仅视觉和仅语言的任务。我们提出了攀登，这是研究CL设置中学习多模式任务的挑战的基准，并系统地评估上游持续学习如何迅速概括为新的多模式和单峰任务。攀登包括几种CL算法的实现以及可以在多模式和单峰任务上部署的修改视觉语言变压器（VILT）模型。我们发现，常见的CL方法可以帮助减轻多模式任务学习期间的遗忘，但不要实现交叉任务知识转移。我们设想，攀登将有助于针对这种具有挑战性的多模式环境的新的CL算法进行研究。
translated by 谷歌翻译
锂离子电池正在为正在进行的运输电气化旋转供电。锂离子电池具有较高的能量密度和有利的电化学特性，这使其成为电动车辆的优选能源。精确估计电池参数（电荷容量，电压等）至关重要，估计电动车辆中的可用范围。基于图形的估计技术使我们能够理解支撑它们以改善估计的可变依赖项。在本文中，我们采用图形神经网络进行电池参数估计，我们介绍了独特的图形AutoEncoder时间序列估计方法。已知电池测量中的变量在感兴趣的变量内的某个相关性中彼此具有潜在的关系。我们使用基于非线性版本的图形AutomEncoder，因为这允许我们在学习结构时执行渐变血迹（而不是将其视为组合优化问题）。所提出的体系结构优于用于电池参数估计的最先进的图形时间序列（GTS）架构。我们调用我们的方法荣誉（图形AutoEncoder时间序列）。
translated by 谷歌翻译