| Project/Area Number |
22H00514
|
|---|
| Research Category |
Grant-in-Aid for Scientific Research (A)
|
| Allocation Type | Single-year Grants |
|---|
| Section | 一般 |
|---|
| Review Section |
Medium-sized Section 60:Information science, computer engineering, and related fields
|
|---|
| Research Institution | Nagoya Institute of Technology |
|---|
Principal Investigator |
Wadayama Tadashi 名古屋工業大学, 工学(系)研究科(研究院), 教授 (20275374)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
林 和則 京都大学, 国際高等教育院, 教授 (50346102)
小蔵 正輝 広島大学, 先進理工系科学研究科(工), 教授 (10800732)
高邉 賢史 東京科学大学, 情報理工学院, 准教授 (60804218)
岡野 訓尚 立命館大学, 理工学部, 准教授 (80778209)
|
|---|
| Project Period (FY) |
2022-04-01 – 2025-03-31
|
| Project Status |
Completed (Fiscal Year 2024)
|
| Budget Amount *help |
¥41,600,000 (Direct Cost: ¥32,000,000、Indirect Cost: ¥9,600,000)
Fiscal Year 2024: ¥13,130,000 (Direct Cost: ¥10,100,000、Indirect Cost: ¥3,030,000)
Fiscal Year 2023: ¥13,260,000 (Direct Cost: ¥10,200,000、Indirect Cost: ¥3,060,000)
Fiscal Year 2022: ¥15,210,000 (Direct Cost: ¥11,700,000、Indirect Cost: ¥3,510,000)
|
|---|
| Keywords | 深層学習 / 信号処理 / 無線通信技術 / スパース信号推定 / LDPC符号 / 深層展開 / モデルベース深層学習 / 制御工学 / MIMO信号検出 / 誤り訂正復号 / 光ファイバ通信 / モデルベース制御 / モンテカルロ法 / 無線信号処理 / 分散信号処理 / 無線通信工学 / 符号理論 |
|---|
| Outline of Research at the Start |
1) 深層展開に適した基礎アルゴリズムをどのように構成していくべきか，2)学習パラメータをどのように選択すべきか，3) 深層展開から得られる学習結果の数理的特性はどのようなものであるかを系統的に論じる研究はない．本計画の主たる学術的問いは，深層展開に基づくアルゴリズム構築において，実践的・数理的理解に裏打ちされた系統的な方法論は存在するかという問いである．上記の課題1), 2), 3)の緻密な検討を通して,従来の深層展開の研究で欠けていた部分を埋めることができれば深層展開の適用範囲のさらなる拡大に繋がり，広範な反復型信号処理アルゴリズムの特性改善と新規アルゴリズムの創出が可能であると考える。
|
| Outline of Final Research Achievements |
This project aimed to advance algorithmic composition methodology centered on model-based deep learning and deep unfolding. Research was conducted through four subprojects: SP1 (algorithm construction based on regularized least squares problems), SP2 (learning parameter selection in deep unfolding), SP3 (convergence acceleration based on Chebyshev methods), and SP4 (integration of distributed signal processing and machine learning techniques). These efforts yielded numerous research outcomes, including continuous-time sparse signal recovery theory, proximal gradient decoding methods, offline learning approaches based on vector similarity search, and theory and applications of Chebyshev steps. The diverse range of achievements demonstrates that the project has exceeded its initial objectives.
|
| Academic Significance and Societal Importance of the Research Achievements |
本研究で確立したモデルベース深層学習と深層展開の理論体系および実用技術は，学術的価値の創出に留まらず，高い実用的価値を有するものと期待される．特に，6G時代を見据えた次世代通信インフラの構築において本研究成果は重要な技術基盤を提供する．深層展開技術は，従来のブラックボックス型機械学習とは一線を画し，通信工学の豊富なドメイン知識を活用できる点で極めて有用である．本研究で開発した分散信号処理技術は，IoT・エッジコンピューティング環境における大規模システムの実現への貢献が期待される．また，連続時間信号処理理論などの理論的成果は，信号処理分野全般において波及効果をもたらすと考えられる．
|
