⚡ electrical engineering

Circulant ADMM-Net for Fast High-resolution DoA Estimation

यह शोध पत्र CADMM-Net और CHADMM-Net को प्रस्तुत करता है, जो दो गहरे न्यूरल नेटवर्क हैं जो सर्कुलेंट (circulant) और हर्मिटियन-सर्कुलेंट (Hermitian-circulant) मैट्रिसेस के साथ ADMM एल्गोरिदम के स्ट्रक्चर्ड डीप अनफोल्डिंग का लाभ उठाते हैं ताकि प्रतिस्पर्धी प्रदर्शन बनाए रखते हुए काफी कम कम्प्यूटेशनल जटिलता और मेमोरी फुटप्रिंट के साथ तेज़, उच्च-रिज़ॉल्यूशन दिशा अनुमान (direction of arrival estimation) प्राप्त किया जा सके।

मूल लेखक: Youval Klioui

प्रकाशित 2026-07-23

📖 8 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Youval Klioui

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक भीड़भाड़ वाले कमरे में खड़े हैं, और यह समझने की कोशिश कर रहे हैं कि हर कोई ठीक कहाँ से बात कर रहा है। आपके पास एक विशेष माइक्रोफ़ोन ऐरे है जो ध्वनि तरंगों को सुन सकता है, लेकिन आपको केवल एक सेकंड के एक छोटे से हिस्से के लिए सुनने को मिलता है—एक एकल स्नैपशॉट। भौतिकी और इंजीनियरिंग की दुनिया में, इसे "डिरेक्शन ऑफ अराइवल" (DoA) एस्टीमेशन कहा जाता है। यह वह सुपरपावर है जो सेल्फ-ड्राइविंग कारों को यह "सुनने" में मदद करती है कि अन्य कारें, पैदल यात्री या बाधाएं कहाँ से आ रही हैं, भले ही वे देखने के लिए बहुत दूर हों। समस्या यह है कि गणितीय रूप से इसे करना दिमाग में दौड़ते हुए मैराथन लगाने के दौरान गणित की एक विशाल, उलझी हुई गांठ को सुलझाने जैसा है। पारंपरिक तरीके या तो इतने धीमे होते हैं कि चलते हुए वाहन के लिए उपयोगी नहीं होते, या फिर वे तब भ्रमित हो जाते हैं जब उनके पास डेटा का बहुत कम हिस्सा होता है। वैज्ञानिक एक "स्मार्ट शॉर्टकट" बनाने की कोशिश कर रहे हैं ताकि इस गांठ को तुरंत सुलझाया जा सके, लेकिन वे शॉर्टकट भी बहुत भारी और धीमे थे जो कार के अंदर के छोटे कंप्यूटरों के लिए उपयुक्त नहीं थे।

यह शोध पत्र दो नए, अत्यंत हल्के न्यूरल नेटवर्क, CADMM-Net और CHADMM-Net पेश करता है। इन नेटवर्कों को जासूसों की एक टीम के रूप में समझें जिन्होंने एक जादुई ट्रिक सीखी है: एक विशाल, अस्त-व्यस्त फाइल कैबिनेट में हर एक सुराग की जांच करने के बजाय (जिसमें बहुत समय लगता है), वे महसूस करते हैं कि सुराग एक पूर्ण, दोहराते हुए घेरे (सर्कल) में व्यवस्थित हैं। इस गोलाकार पैटर्न को पहचानकर, वे इस रहस्य को पलक झपकते ही हल करने के लिए एक गणितीय "जादुई छड़ी" (जिसे फास्ट फूरियर ट्रांसफॉर्म कहा जाता है) का उपयोग कर सकते हैं। लेखकों ने पाया कि अपने AI को केवल इन गोलाकार पैटर्नों को खोजने के लिए मजबूर करके, वे अपनी मेमोरी की मात्रा को बहुत बड़ी मात्रा में कम कर सकते हैं और इसे हजारों गुना तेज़ बना सकते हैं, और ऐसा करते हुए भी उनकी ध्वनि के सटीक स्थान का पता लगाने की क्षमता कम नहीं होती है। यह एक भारी, धीमी गति से चलने वाले टैंक को एक फुर्तीले, उच्च गति वाले ड्रोन से बदलने जैसा है जो अभी भी पूर्ण सटीकता के साथ लक्ष्य पर वार कर सकता है।

समस्या: सुनने की भारी गणित

यह समझने के लिए कि यह कितनी बड़ी बात है, कल्पना कीजिए कि आप केवल कुछ माइक्रोफ़ोन का उपयोग करके एक अंधेरे कमरे में अपने कुछ दोस्तों के स्थान का पता लगाने की कोशिश कर रहे हैं। इस स्थान का पता लगाने के गणित को "LASSO" कहा जाता है। यह एक ऐसी विधि है जो शोर में सुनाई देने वाले सबसे सरल स्पष्टीकरण को खोजने का प्रयास करती है। समस्या यह है कि LASSO को हल करने का मानक तरीका एक पहाड़ पर एक-एक करके बहुत सावधानी से छोटे कदम उठाते हुए चढ़ने जैसा है। आपको शिखर तक पहुँचने के लिए सौ कदम उठाने पड़ सकते हैं। 60 मील प्रति घंटे की रफ्तार से चल रही कार में, आपके पास सौ कदमों के लिए समय नहीं है; आपको उत्तर अभी चाहिए।

वैज्ञानिकों ने "डीप अनफोल्डिंग" का उपयोग करके इसे तेज़ करने की कोशिश की। कल्पना कीजिए कि उस धीमे, कदम-दर-कदम चढ़ने की प्रक्रिया को एक पूर्व-नियोजित स्लाइड (फिसलन पट्टी) में बदल दिया गया है। आप एक न्यूरल नेटवर्क को चढ़ाई के चरणों की नकल करने के लिए प्रशिक्षित करते हैं, लेकिन एक चरण के बाद रुकने के बजाय, आप केवल कुछ छलांगों में पूरे पहाड़ से नीचे फिसल जाते हैं। यह बहुत तेज़ है। हालाँकि, मौजूदा "स्लाइड्स" (जैसे ADMM-Net) अभी भी बहुत भारी थे। उन्हें हर चरण के लिए संख्याओं का एक विशाल ग्रिड (मैट्रिक्स) स्टोर करने की आवश्यकता थी, जो एक अकेली किताब खोजने के लिए अपने बैकपैक में विश्वकोशों का एक पुस्तकालय ले जाने जैसा है। सीमित स्थान और शक्ति वाले कार कंप्यूटर के लिए, यह एक बड़ी बाधा है।

समाधान: गोलाकार शॉर्टकट

इस शोध पत्र के लेखकों ने एक सरल प्रश्न पूछा: "क्या हमें वास्तव में पूरा पुस्तकालय ले जाने की आवश्यकता है?" उन्होंने महसूस किया कि कई सामान्य सेटअपों में, समस्या के पीछे का गणित एक विशेष गुण रखता है: यह एक घेरे (सर्कल) में दोहराता है। इसे "सर्कुलेंट" (circulant) संरचना कहा जाता है।

सुरागों के एक मानक शब्दकोश की कल्पना एक विशाल, अस्त-व्यस्त स्प्रेडशीट के रूप में करें जहाँ प्रत्येक सेल अलग है। समस्या को हल करने के लिए, कंप्यूटर को इस पूरी स्प्रेडशीट को संख्याओं के एक वेक्टर से गुणा करना पड़ता है। यह धीमा और मेमोरी-खपत वाला है। लेकिन, यदि वह स्प्रेडशीट वास्तव में एक "सर्कुलेंट" मैट्रिक्स है, तो इसका मतलब है कि उसकी पंक्तियाँ एक-दूसरे के शिफ्ट किए गए संस्करण हैं, जैसे एक घूमते हुए ड्रम पर बना पैटर्न।

लेखकों ने दो नए नेटवर्क बनाए:

CADMM-Net: यह नेटवर्क मानता है कि पैटर्न एक पूर्ण वृत्त है। संख्याओं का एक विशाल ग्रिड स्टोर करने के बजाय, इसे केवल संख्याओं की एक एकल सूची (एक वेक्टर) को याद रखने की आवश्यकता है जो उस वृत्त को परिभाषित करती है।
CHADMM-Net: यह एक और भी अधिक विशिष्ट संस्करण है जो मानता है कि वृत्त में दर्पण समरूपता (Hermitian-circulant) है। यह मेमोरी की आवश्यकता को आधा कर देता है।

इस "गोलाकार" धारणा का उपयोग करके, ये नेटवर्क फास्ट फूरियर ट्रांसफॉर्म (FFT) नामक एक गणितीय उपकरण का उपयोग कर सकते हैं। यदि मानक तरीका एक जंगल में एक बार में एक पेड़ के माध्यम से चलने जैसा है, तो FFT जंगल के माध्यम से टेलीपोर्ट करने जैसा है। यह एक धीमी, भारी गणना को बिजली की तरह तेज़ गणना में बदल देता है।

उन्होंने क्या पाया

शोधकर्ताओं ने इन नए नेटवर्क्स का पुराने भारी वजन वाले मॉडलों (जैसे ADMM-Net, LISTA, और TLISTA) और पारंपरिक धीमे तरीकों (जैसे ISTA और ADMM) के विरुद्ध परीक्षण किया। उन्होंने 30 माइक्रोफोन और 8 तक अलग-अलग ध्वनि स्रोतों वाले परिदृश्य का अनुकरण किया, जिसमें बहुत शांत (0 dB) से लेकर बहुत तेज़ (35 dB) वातावरण तक सब कुछ शामिल था।

सिमुलेशन ने दिखाया कि:

गति और आकार: नए नेटवर्क अविश्वसनीय रूप से कुशल हैं। जबकि पुराने ADMM-Net को प्रत्येक परत के लिए लगभग 65,000 संख्याओं को स्टोर करने की आवश्यकता थी (256 के डिक्शनरी आकार के लिए), CADMM-Net को केवल लगभग 2,500 की आवश्यकता थी, और CHADMM-Net को इससे भी कम की आवश्यकता थी। गति के मामले में, नए नेटवर्क्स ने लगभग $2N \log(N)$ या $3N \log(N)$ ऑपरेशन्स में गणना की, जबकि पुराने तरीकों को $N^2$ ऑपरेशन्स की आवश्यकता थी। 256 के डिक्शनरी आकार के लिए, इसका मतलब है कि नए नेटवर्क प्रति चरण लगभग 16 गुना तेज़ हैं।
सटीकता: इतने छोटे और तेज़ होने के बावजूद, उन्होंने अपने "कान" नहीं खोए। परीक्षणों में, CADMM-Net और CHADMM-Net ने ध्वनियों के आने के स्थान का पता लगाने में भारी, धीमे नेटवर्क्स के समान ही प्रदर्शन किया। उन्होंने इसे "डिटेक्शन रेट" (उन्होंने कितनी बार ध्वनि को पाया) और "RMSE" (उनके अनुमान और वास्तविक कोण के बीच की निकटता) का उपयोग करके मापा।
समझौता (Trade-off): लेखकों ने एक मामूली समझौते का उल्लेख किया। CHADMM-Net, जो सबसे अधिक मेमोरी बचाता है, CADMM-Net की तुलना में चलाने में थोड़ा अधिक कम्प्यूटेशनल रूप से जटिल है क्योंकि यह अतिरिक्त समरूपता नियमों का पालन करता है। हालाँकि, प्रदर्शन में अंतर इतना कम था कि मेमोरी की बचत इसके लायक थी।

निष्कर्ष

यह शोध पत्र यह दावा नहीं करता है कि उसने ब्रह्मांड की हर समस्या को हल कर लिया है, लेकिन यह एक बहुत मजबूत मार्ग सुझाता है। यह सिद्ध करके कि आप एक न्यूरल नेटवर्क को गणित की गोलाकार प्रकृति का सम्मान करने के लिए मजबूर कर सकते हैं, आप एक ऐसा "DoA एस्टीमेटर" बना सकते हैं जो कार के कंप्यूटर में फिट होने के लिए पर्याप्त छोटा और वास्तविक समय में प्रतिक्रिया देने के लिए पर्याप्त तेज़ है, बिना ध्वनि को तूफान में भी सुनने की क्षमता खोए।

लेखकों ने स्पष्ट रूप से इस विचार को खारिज कर दिया कि उच्च-रिज़ॉल्यूशन परिणाम प्राप्त करने के लिए आपको विशाल, असंरचित मैट्रिसेस की आवश्यकता है। उन्होंने दिखाया कि "भारी" दृष्टिकोण अनावश्यक है। उन्होंने यह भी प्रदर्शित किया कि जबकि पारंपरिक पुनरावृत्ति विधियाँ (जैसे गणित को मैन्युअल रूप से 30 बार चलाना) धीमी हैं, और पुराने डीप लर्निंग तरीके भारी हैं, यह नया "सर्कुलेंट" दृष्टिकोण सही संतुलन बनाता है।

अंत में, यह शोध पत्र सुझाव देता है कि ऑटोमोटिव सेटिंग्स के लिए—जहाँ आपके पास सीमित स्नैपशॉट और सीमित कंप्यूटिंग पावर है—ये नए नेटवर्क एक गेम-चेंजर हैं। वे आपको उच्च सटीकता के साथ दुनिया को देखने (या यूँ कहें कि सुनने) का एक तरीका प्रदान करते हैं, जो पहले आवश्यक समझे जाने वाले संसाधनों के एक अंश का उपयोग करता है। यह एक याद दिलाता है कि कभी-कभी, एक जटिल समस्या को हल करने का सबसे तेज़ तरीका कड़ी मेहनत करना नहीं है, बल्कि यह महसूस करना है कि समस्या वास्तव में एक वृत्त है।

तकनीकी सारांश: तेज़ उच्च-रिज़ॉल्यूशन DoA अनुमान के लिए सर्कुलेंट ADMM-Net

समस्या विवरण
तेज़ और उच्च-रिज़ॉल्यूशन वाला दिशा आगमन (Direction of Arrival - DoA) अनुमान उन्नत चालक-सहायता प्रणालियों (ADAS) के लिए महत्वपूर्ण है। हालाँकि, ऑटोमोटिव परिवेश अनूठी चुनौतियाँ पेश करते हैं: उपलब्ध स्नैपशॉट की संख्या अक्सर बहुत सीमित होती है (अक्सर एक एकल स्नैपशॉट), और एरे ज्योमेट्री आमतौर पर स्पार्स (जैसे, मिनिमम रेडंडेंसी एरे) होती है न कि यूनिफॉर्म लीनियर एरे (ULA)।

पारंपरिक सबस्पेस-आधारित विधियाँ जैसे MUSIC और ESPRIT, सिंगल-स्नैपशॉट परिदृश्यों में अपर्याप्त हैं जब तक कि फॉरवर्ड-बैकवर्ड स्पेशल स्मूथिंग (FBSS) लागू न किया जाए, जो एरे एपर्चर को कम करता है और ज्योमेट्री को समान संरचना वाले सब-एरे तक सीमित कर देता है। ग्रिडलेस विधियाँ (जैसे, एटॉमिक नॉर्म मिनिमाइजेशन) और मैक्सिमम लाइक्लीहुड एस्टिमेटर्स अत्यधिक कम्प्यूटेशनल लागत ( $O(M^3)$ या व्यापक ग्रिड सर्च) से ग्रस्त होते हैं। जबकि लीस्ट एब्सोल्यूट श्रिंकेज एंड सिलेक्शन ऑपरेटर (LASSO) फ्रेमवर्क एक ग्रिड-आधारित स्पार्स रिकवरी विकल्प प्रदान करता है जो सिंगल स्नैपशॉट और मनमाने (arbitrary) ज्योमेट्री को संभाल सकता है, मानक सॉल्वर जैसे इটারেटिव श्रिंकेज थ्रेशोल्डिंग एल्गोरिदम (ISTA) और अल्टरनेटिंग डायरेक्शन मेथड ऑफ मल्टीप्लायर्स (ADMM) को अभिसरण (converge) करने के लिए कई इटरेशन (अक्सर >100) की आवश्यकता होती है और वे अज्ञात शोर विचरण (noise variance) और सिग्नल स्पर्सिटी पर निर्भर मैन्युअल रूप से ट्यून किए गए हाइपरपैमीटर्स पर आधारित होते हैं।

डीप अनफोल्डिंग (या अनरोलिंग) को इटरेशन काउंट और हाइपरपैमीटर ट्यूनिंग समस्याओं को हल करने के लिए प्रस्तावित किया गया है, जिसमें एल्गोरिदम की नकल करने वाले न्यूरल नेटवर्क को प्रशिक्षित किया जाता है। हालाँकि, मौजूदा डीप-अनफोल्डेड आर्किटेक्चर, जैसे LISTA और ADMM-Net, उच्च कम्प्यूटेशनल जटिलता ( $O(N^2)$ या $O(N^3)$ प्रति लेयर) और बड़े मेमोरी फुटप्रिंट ( $O(N^2)$ पैरामीटर्स) से ग्रस्त हैं, जो सीमित हार्डवेयर पर रीयल-टाइम ऑटोमोटिव इन्फरेंस के लिए अव्यावहारिक बनाते हैं। स्ट्रक्चर्ड वेरिएंट जैसे TLISTA और THADMM-Net पैरामीटर काउंट को कम करते हैं लेकिन अक्सर उच्च कम्प्यूटेशनल जटिलता बनाए रखते हैं या प्रतिबंधात्मक धारणाओं (जैसे, गॉसियन डिक्शनरी) पर निर्भर करते हैं जो फ्रीक्वेंसी एस्टीमेशन के लिए मान्य नहीं हैं।

कार्यप्रणाली (Methodology)
यह शोध पत्र CADMM-Net और CHADMM-Net प्रस्तुत करता है, जो ADMM एल्गोरिदम के एक स्ट्रक्चर्ड डीप अनफोल्डिंग पर आधारित दो डीप न्यूरल नेटवर्क हैं। मुख्य कार्यप्रणाली LASSO फॉर्मूलेशन के भीतर ग्राम मैट्रिक्स ( $A^HA$ ) के संरचनात्मक गुणों का लाभ उठाने पर आधारित है।

सैद्धांतिक प्रेरणा: लेखक सिद्ध करते हैं कि एक समान फ्रीक्वेंसी ग्रिड और विशिष्ट एरे ज्योमेट्री धारणाओं (विशेष रूप से $\gamma = 1/2$ ) के तहत, मैट्रिक्स $(A^HA + \rho I)^{-1}$ , जो ADMM अपडेट स्टेप का केंद्र है, एक सर्कुलेंट मैट्रिक्स बन जाता है। यदि मैट्रिक्स हर्मिटियन (Hermitian) भी है (जो $A^HA$ के लिए सत्य है), तो इसका व्युत्क्रम (inverse) एक हर्मिटियन-सर्कुलेंट मैट्रिक्स होता है।
नेटवर्क आर्किटेक्चर:
- CADMM-Net: ADMM-Net आर्किटेक्चर में सीखने योग्य वेट मैट्रिक्स $W$ पर एक सर्कुलेंट बाधा (constraint) लागू करता है। एक सर्कुलेंट मैट्रिक्स $N$ लंबाई के एक एकल वेक्टर द्वारा पूरी तरह से परिभाषित होता है। मैट्रिक्स-वेक्टर गुणन को फास्ट फूरियर ट्रांसफॉर्म (FFT) और इनवर्स फास्ट फूरियर ट्रांसफॉर्म (IFFT) ऑपरेशन्स द्वारा प्रतिस्थापित किया जाता है।
- CHADMM-Net: यह हर्मिटियन और सर्कुलेंट दोनों बाधाएं लागू करता है। एक हर्मिटियन-सर्कुलेंट मैट्रिक्स लगभग $\lfloor N/2 \rfloor + 1$ पैरामीटर्स द्वारा परिभाषित होता है।
कम्प्यूटेशनल दक्षता: कॉन्वोल्यूशन प्रमेय का उपयोग करते हुए, प्रत्येक लेयर में मैट्रिक्स ऑपरेशन्स FFT/IFFT के माध्यम से किए जाते हैं। यह प्रति लेयर कम्प्यूटेशनल जटिलता को $O(N^2)$ (ADMM-Net में) से घटाकर $O(N \log N)$ कर देता है। विशेष रूप से, CADMM-Net को प्रति लेयर $2N \log N$ ऑपरेशन्स की आवश्यकता होती है, और CHADMM-Net को $3N \log N$ ऑपरेशन्स की आवश्यकता होती है।
प्रशिक्षण (Training): नेटवर्क्स को "सपोर्ट-अवेयर" लॉस फंक्शन का उपयोग करके प्रशिक्षित किया जाता है। सपोर्ट शिफ्ट के संबंध में मानक नॉर्मलाइज्ड मीन स्क्वेर्ड एरर (NMSE) की नॉन-स्मूथनेस को संबोधित करने के लिए, लॉस की गणना करने से पहले आउटपुट और ग्राउंड ट्रुथ को लाप्लासियन कर्नेल के साथ कॉन्वॉल्व किया जाता है। नेटवर्क्स को संबंधित इটারেटिव ADMM स्टेप्स से प्राप्त वेट्स के साथ इनिशियलाइज़ किया जाता है।

प्रमुख योगदान

नवीन आर्किटेक्चर: CADMM-Net और CHADMM-Net का परिचय, जो ADMM के डीप अनफोल्डिंग पर सर्कुलेंट और हर्मिटियन-सर्कुलेंट बाधाएं लागू करते हैं।
जटिलता में कमी: यह प्रदर्शन करना कि ये बाधाएं मेमोरी फुटप्रिंट को $O(N^2)$ से घटाकर $O(N)$ (या CHADMM-Net के लिए $\approx N/2$ ) और प्रति लेयर कम्प्यूटेशनल जटिलता को $O(N^2)$ से घटाकर $O(N \log N)$ कर देती हैं।
प्रदर्शन बेंचमार्किंग: क्लासिकल इरेटिव मेथड्स (ISTA, ADMM), स्टैंडर्ड डीप-अनफोल्डेड नेटवर्क्स (LISTA, ADMM-Net), और स्ट्रक्चर्ड वेरिएंट्स (TLISTA, THADMM-Net, THLISTA) सहित स्टेट-ऑफ-द-आर्ट बेसलाइन्स के विरुद्ध व्यापक मूल्यांकन।
प्रायोगिक सत्यापन: सिंगल-स्नैपशॉट डेटा के साथ यूनिफॉर्म लीनियर एरे (ULA) और स्पार्स लीनियर एरे (SLA) परिदृश्यों पर परीक्षण किया गया।

परिणाम
प्रयोगों में $N=256$ डिक्शनरी साइज और $M=30$ एरे एलिमेंट्स का उपयोग किया गया।

डिटेक्शन रेट: SLA सेटिंग्स में, CHADMM-Net और THADMM-Net ने सिग्नल-टू-नॉइज़ रेशियो (SNR) रेंज में उच्चतम डिटेक्शन रेट बनाए रखा। ULA सेटिंग्स में, CADMM-Net कम SNR (<10 dB) पर अन्यों से बेहतर रहा, जबकि CHADMM-Net और THADMM-Net उच्च SNR पर हावी रहे। सभी डीप-अनफोल्डेड नेटवर्क्स अपने क्लासिकल इरेटिव समकक्षों (ISTA/ADMM) की तुलना में समान संख्या में स्टेप्स के साथ काफी बेहतर प्रदर्शन करते हैं।
सटीकता (RMSE और NMSE): स्ट्रक्चर्ड नेटवर्क्स (CADMM-Net और CHADMM-Net) ने अनस्ट्रक्चर्ड ADMM-Net के साथ प्रतिस्पर्धी प्रदर्शन दिखाया। SLA सेटिंग्स में, NMSE प्रदर्शन सभी SNRs में ADMM-Net के लगभग समान था। ULA सेटिंग्स में, CHADMM-Net ने 15 dB से ऊपर के SNRs पर ADMM-Net की तुलना में मामूली बढ़त दिखाई।
दक्षता: प्रस्तावित नेटवर्क्स ने पैरामीटर्स (उदाहरण के लिए, CHADMM-Net के लिए ~3,930 पैरामीटर्स बनाम ADMM-Net के लिए ~1.9 मिलियन) और प्रति इन्फरेंस कॉम्प्लेक्स फ्लोटिंग पॉइंट ऑपरेशन्स (CFLOPS) में भारी कमी हासिल की, जो उन्हें संसाधन-बाधित वातावरण के लिए उपयुक्त बनाती है।

महत्व और दावे
यह शोध पत्र दावा करता है कि DoA अनुमान के विशिष्ट संदर्भों में ग्राम मैट्रिक्स की सर्कुलेंट प्रकृति का लाभ उठाकर, ऐसे डीप-अनफोल्डेड नेटवर्क बनाना संभव है जो मूल ADMM एल्गोरिदम के उच्च-रिज़ॉल्यूशन प्रदर्शन से समझौता किए बिना कम्प्यूटेशनल रूप से कुशल और मेमोरी-लाइट होते हैं। लेखक का तर्क है कि CADMM-Net और CHADMM-Net ऑटोमोटिव अनुप्रयोगों में रीयल-टाइम, उच्च-रिज़ॉल्यूशन DoA अनुमान के लिए एक व्यवहार्य समाधान प्रदान करते हैं जहाँ सिंगल स्नैपशॉट और स्पार्स एरे सामान्य हैं, जो हार्डवेयर की आवश्यकताओं को काफी कम करते हुए मौजूदा डीप अनफोल्डिंग विधियों के लिए एक प्रतिस्पर्धी विकल्प प्रदान करते हैं।

समस्या: सुनने की भारी गणित

समाधान: गोलाकार शॉर्टकट

उन्होंने क्या पाया

निष्कर्ष

इसी तरह के और पेपर