論文の概要: Distributed Deep Convolutional Compression for Massive MIMO CSI Feedback
- arxiv url: http://arxiv.org/abs/2003.04684v2
- Date: Sun, 6 Sep 2020 11:31:03 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-25 19:39:05.217202
- Title: Distributed Deep Convolutional Compression for Massive MIMO CSI Feedback
- Title（参考訳）: 大規模MIMO CSIフィードバックのための分散深部畳み込み圧縮
- Authors: Mahdi Boloursaz Mashhadi, Qianqian Yang, and Deniz Gunduz
- Abstract要約: 大規模マルチインプット・マルチアウトプット(MIMO)システムは、空間的多様性と多重化ゲインを達成するために、基地局(BS)のダウンリンクチャネル状態情報(CSI)を必要とする。
本稿では、畳み込み層と量子化およびエントロピー符号化ブロックからなるディープラーニング(DL)ベースのCSI圧縮スキームDeepCMCを提案する。
DeepCMCは、CSI品質とフィードバックオーバーヘッドの間のトレードオフを可能にする、重み付けされたレート歪みコストを最小限に抑えるように訓練されている。
- 参考スコア（独自算出の注目度）: 9.959844922120524
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Massive multiple-input multiple-output (MIMO) systems require downlink
channel state information (CSI) at the base station (BS) to achieve spatial
diversity and multiplexing gains. In a frequency division duplex (FDD)
multiuser massive MIMO network, each user needs to compress and feedback its
downlink CSI to the BS. The CSI overhead scales with the number of antennas,
users and subcarriers, and becomes a major bottleneck for the overall spectral
efficiency. In this paper, we propose a deep learning (DL)-based CSI
compression scheme, called DeepCMC, composed of convolutional layers followed
by quantization and entropy coding blocks. In comparison with previous DL-based
CSI reduction structures, DeepCMC proposes a novel fully-convolutional neural
network (NN) architecture, with residual layers at the decoder, and
incorporates quantization and entropy coding blocks into its design. DeepCMC is
trained to minimize a weighted rate-distortion cost, which enables a trade-off
between the CSI quality and its feedback overhead. Simulation results
demonstrate that DeepCMC outperforms the state of the art CSI compression
schemes in terms of the reconstruction quality of CSI for the same compression
rate. We also propose a distributed version of DeepCMC for a multi-user MIMO
scenario to encode and reconstruct the CSI from multiple users in a distributed
manner. Distributed DeepCMC not only utilizes the inherent CSI structures of a
single MIMO user for compression, but also benefits from the correlations among
the channel matrices of nearby users to further improve the performance in
comparison with DeepCMC. We also propose a reduced-complexity training method
for distributed DeepCMC, allowing to scale it to multiple users, and suggest a
cluster-based distributed DeepCMC approach for practical implementation.
- Abstract（参考訳）: 大規模マルチインプット・マルチアウトプット(MIMO)システムは、空間的多様性と多重化ゲインを達成するために、基地局(BS)のダウンリンクチャネル状態情報(CSI)を必要とする。
周波数分割デュプレックス(FDD)マルチユーザMIMOネットワークでは、各ユーザがそのダウンリンクCSIをBSに圧縮してフィードバックする必要がある。
CSIのオーバヘッドはアンテナ、ユーザ、サブキャリアの数とともにスケールし、全体的なスペクトル効率のボトルネックとなる。
本稿では、畳み込み層と量子化およびエントロピー符号化ブロックからなるディープラーニング(DL)ベースのCSI圧縮スキームDeepCMCを提案する。
従来のDLベースのCSI削減構造と比較して、DeepCMCはデコーダに残層を持つ新しい完全畳み込みニューラルネットワーク(NN)アーキテクチャを提案し、量子化とエントロピー符号化ブロックを設計に組み込んでいる。
DeepCMCは、CSI品質とフィードバックオーバーヘッドの間のトレードオフを可能にする、重み付きレート歪みコストを最小限に抑えるように訓練されている。
シミュレーションの結果,同じ圧縮速度でcsiの再構成品質の観点から,deepcmcがart csi圧縮スキームの状態を上回っていることがわかった。
また,マルチユーザMIMOシナリオのための分散バージョンのDeepCMCを提案し,複数のユーザからのCSIを分散的にエンコード・再構築する。
分散DeepCMCは、単一のMIMOユーザ固有のCSI構造を圧縮に利用するだけでなく、近隣ユーザのチャネル行列間の相関を利用して、DeepCMCと比較してパフォーマンスを向上する。
また,複数のユーザに対して拡張可能な分散deepcmcの複合化学習手法を提案し,クラスタベースの分散deepcmcアプローチを実践的実装として提案する。
関連論文リスト
- A Low-Overhead Incorporation-Extrapolation based Few-Shot CSI Feedback Framework for Massive MIMO Systems [45.22132581755417]
周波数分割二重化(FDD)大規模マルチインプット多重出力(MIMO)システムにおけるダウンリンクプリコーディングには、正確なチャネル状態情報(CSI)が不可欠である。
しかし,アンテナやサブキャリアの規模が大きくなると,ユーザ機器(UE)からのフィードバックによるCSI取得が困難になる。
CSIを圧縮するために深層学習に基づく手法が登場したが、これらの方法はかなりの収集サンプルを必要とする。
既存のディープラーニング手法は、フル次元のCSIフィードバックに重点を置いているため、フィードバックオーバーヘッドが劇的に増加することにも悩まされる。
低オーバーヘッド抽出に基づくFew-Shot CSIを提案する。
論文 参考訳（メタデータ） (2023-12-07T06:01:47Z) - Exploring Effective Mask Sampling Modeling for Neural Image Compression [171.35596121939238]
既存のニューラルイメージ圧縮手法の多くは、空間的冗長性を排除するために、ハイパープライアモデルやコンテキストモデルからのサイド情報に依存している。
近年の自然言語処理と高次視覚のための自己教師付き学習手法におけるマスクサンプリングモデルに着想を得て,ニューラル画像圧縮のための新しい事前学習戦略を提案する。
提案手法は,最先端画像圧縮法と比較して計算複雑性の低い競合性能を実現する。
論文 参考訳（メタデータ） (2023-06-09T06:50:20Z) - Joint Channel Estimation and Feedback with Masked Token Transformers in
Massive MIMO Systems [74.52117784544758]
本稿では,CSI行列内の固有周波数領域相関を明らかにするエンコーダデコーダに基づくネットワークを提案する。
エンコーダ・デコーダネットワーク全体がチャネル圧縮に使用される。
提案手法は,共同作業における現状のチャネル推定およびフィードバック技術より優れる。
論文 参考訳（メタデータ） (2023-06-08T06:15:17Z) - Quantization Adaptor for Bit-Level Deep Learning-Based Massive MIMO CSI
Feedback [9.320559153486885]
大規模なマルチインプット多重出力(MIMO)システムでは、ユーザ機器(UE)は、以下のビームフォーミングのために、チャネル状態情報(CSI)を基地局(BS)に返送する必要がある。
深層学習(DL)に基づく手法は、UEでCSIを圧縮し、BSで回復し、フィードバックコストを大幅に削減することができる。
本稿では,ビットレベルDLベースのCSIフィードバックに対する適応型量子化手法を提案する。
論文 参考訳（メタデータ） (2022-11-05T16:30:59Z) - Deep Learning-Based Rate-Splitting Multiple Access for Reconfigurable
Intelligent Surface-Aided Tera-Hertz Massive MIMO [56.022764337221325]
再構成可能なインテリジェントサーフェス(RIS)は,Tera-Hertz大規模マルチインプットマルチアウトプット(MIMO)通信システムのサービスカバレッジを大幅に向上させることができる。
しかし、パイロットとフィードバック信号のオーバーヘッドが限定された正確な高次元チャネル状態情報(CSI)を得ることは困難である。
本稿では、RIS支援Tera-Hertzマルチユーザアクセスシステムのための、ディープラーニング(DL)に基づくレート分割多重アクセス方式を提案する。
論文 参考訳（メタデータ） (2022-09-18T03:07:37Z) - Overview of Deep Learning-based CSI Feedback in Massive MIMO Systems [77.0986534024972]
ディープラーニング(DL)ベースのCSIフィードバックは、DLベースのオートエンコーダによるCSI圧縮と再構築を指し、フィードバックオーバーヘッドを大幅に削減することができる。
その焦点は、CSIフィードバックの正確性を改善するために、新しいニューラルネットワークアーキテクチャとコミュニケーション専門家の知識の利用である。
論文 参考訳（メタデータ） (2022-06-29T03:28:57Z) - Deep Learning for 1-Bit Compressed Sensing-based Superimposed CSI
Feedback [2.6831842796906393]
本稿では,1ビット圧縮されたセンサによる重畳されたCSIフィードバックを改善するためのディープラーニング方式を提案する。
提案方式は,UL-USとダウンリンクCSIの回復精度を低処理遅延で向上する。
論文 参考訳（メタデータ） (2022-03-13T09:33:53Z) - PolarDenseNet: A Deep Learning Model for CSI Feedback in MIMO Systems [18.646674391114548]
UEにおけるCSIを低次元の潜在空間に符号化し、基地局で復号する自動エンコーダアーキテクチャに基づくAIベースのCSIフィードバックを提案する。
シミュレーションの結果,AIに基づく提案したアーキテクチャは,最先端の高分解能線形組合せ符号ブックよりも優れていた。
論文 参考訳（メタデータ） (2022-02-02T19:04:49Z) - Deep Learning-based Implicit CSI Feedback in Massive MIMO [68.81204537021821]
ニューラルネットワーク(NN)を用いて,プリコーディング行列インジケータ(PMI)符号化とデコードモジュールを置き換える,低オーバヘッド特性を継承するDLベースの暗黙的フィードバックアーキテクチャを提案する。
1つのリソースブロック(RB)では、2つのアンテナ構成下のタイプIコードブックと比較して25.0%と40.0%のオーバーヘッドを節約できる。
論文 参考訳（メタデータ） (2021-05-21T02:43:02Z) - Recursive CSI Quantization of Time-Correlated MIMO Channels by Deep
Learning Classification [12.670741983987943]
周波数分割デュプレックス (FDD) マルチインプット多重出力 (MIMO) 無線通信では、チャネル状態情報 (CSI) のフィードバックが中心となる。
所定のCSI品質を達成するためには、CSI量子化コードブックのサイズはアンテナ数とともに指数関数的に増加しなければならない。
論文 参考訳（メタデータ） (2020-09-28T18:19:02Z) - DeepSIC: Deep Soft Interference Cancellation for Multiuser MIMO
Detection [98.43451011898212]
複数のシンボルが同時に送信されるマルチユーザマルチインプットマルチアウトプット(MIMO)設定では、正確なシンボル検出が困難である。
本稿では,DeepSICと呼ぶ反復ソフト干渉キャンセリング(SIC)アルゴリズムの,データ駆動による実装を提案する。
DeepSICは、チャネルを線形にすることなく、限られたトレーニングサンプルから共同検出を行うことを学ぶ。
論文 参考訳（メタデータ） (2020-02-08T18:31:00Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。