נושא הפרוייקט

מספר פרוייקט מחלקה שמות סטודנטים אימייל שמות מנחים

רכישת אותות מבוססת למידה עמוקה

Deep Learning Aided Signal Acquisition

תקציר בעיברית

פרויקט זה עוסק בשיפור הפרטיות במערכות תקשורת על ידי אופטימיזציה של ההיפר-פרמטרים של אלגוריתם JoPEQ לקבלת תוצאות מדויקות יותר תוך שימוש בטכניקות כגון Federated Learning.

מטרות הפרויקט היו אופטימיזציה של ההיפר-פרמטרים של JoPEQ, שיפור הגברת הפרטיות, השגת דיוק גבוה יותר עבור Federated Learning והשוואה עם פתרונות חלופיים והטמעת דרכים חדשות לייעול קוונטיזציה של סריג. שיטת פתרון הבעיה כללה אלגוריתם JoPEQ, קוונטיזציה של סריג, סביבת בדיקות Federated Learning, חקירת שיטות “Learn to optimize”, עיצוב מודל NN. ראינו שאופטימיזציה של ההיפרפרמטרים אכן שיפרה את ה-SNR. עם זאת, הדיוק לא השתנה באופן משמעותי. הראינו כי ניתן למצוא Generator metrices מתאימות יותר באמצעות שיטות NN.

ניתן לשפר את אלגוריתם JoPEQ על ידי שימוש בטכניקות למידה עמוקה. החידוש הוא השימוש במודלים של NN ב-Lattice Quantization ותוקפו נמדד על ידי שימוש בקונספט קיים.

תקציר באנגלית

This project deals with enhancing privacy in communication networks by optimizing JoPEQ algorithm's hyperparameters for better accuracy while using concepts such as Federated Learning. The goals of the project were Optimizing JoPEQ's hyperparameters, enhancing data privacy, achieving higher accuracy for Federated Learning, and comparing with alternative solutions, implementing new ways to optimize lattice quantization. Methods that were used are the JoPEQ algorithm, lattice quantization, Federated Learning test environment, investigate "learn to optimize" methods, design an NN model. We saw that optimizing the hyperparameters did improve the SNR. However, the accuracy did not change significantly. It is feasible to find a more suitable generator matrices using NN methods.

The JoPEQ algorithm can be improved by using deep learning techniques. The innovation is the usage of NN models in Lattice Quantization and its validity is measured by using an existing concept.