Apprentissage basé sur MEEF sans hyperparamètre pour les systèmes de communication de la prochaine génération
Abstract or Summary
Les critères d’apprentissage de la théorie de l’information (ITL) se sont révélés utiles pour atténuer les dégradations causées par des processus de bruit non gaussien inconnus dans les futurs systèmes de communication sans fil. Plus précisément, les approches basées sur l’espace de Hilbert à noyau reproductible (RKHS) reposant sur des critères d’apprentissage basés sur l’ITL sont envisagées pour fournir une atténuation quasi-optimale des dégradations matérielles inconnues et des bruits non gaussiens. Parmi les critères de l’ITL, les travaux récents considèrent que l’entropie minimale d’erreur avec points fiduciaires (MEEF) est prometteuse en raison de sa garantie d’estimation sans biais et de sa généralisation à des distributions de bruit génériques. Cependant, on sait que les approches d’apprentissage basées sur le MEEF dépendent d’une initialisation précise de la largeur du noyau. En outre, il est bien connu que la valeur optimale de cette largeur de noyau varie dans le temps et selon les scénarios de déploiement. Pour supprimer la dépendance à l’égard de la largeur du noyau, un algorithme adaptatif sans hyperparamètre basé sur le MEEF est dérivé en utilisant des caractéristiques de Fourier aléatoires avec des largeurs de noyau échantillonnées (RFF-SKW). En outre, une analyse de convergence détaillée est présentée pour la méthode MEEF sans hyperparamètres proposée, qui promet un plancher d’erreur quasi-optimal indépendant de la taille du pas et garantit la convergence pour une large gamme de tailles de pas. L’indépendance vis-à-vis des hyperparamètres et l’amélioration de la convergence promises pour la méthode MEEF sans hyperparamètres proposée sont validées par des simulations informatiques portant sur différentes études de cas.
