論文の概要: Federated Learning for Channel Estimation in Conventional and
RIS-Assisted Massive MIMO
- arxiv url: http://arxiv.org/abs/2008.10846v2
- Date: Mon, 15 Nov 2021 09:01:52 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-25 04:42:08.440535
- Title: Federated Learning for Channel Estimation in Conventional and
RIS-Assisted Massive MIMO
- Title（参考訳）: RIS支援MIMOにおけるチャネル推定のためのフェデレーション学習
- Authors: Ahmet M. Elbir and Sinem Coleri
- Abstract要約: 機械学習によるチャネル推定では、通常、受信したパイロット信号を入力として、チャネルデータを出力として含むデータセットのモデルトレーニングが必要となる。
以前の研究では、モデルトレーニングは主に中央集権学習(CL)を通じて行われ、トレーニングデータセット全体がベースステーション(BS)のユーザから収集される。
チャネル推定のためのフェデレートラーニング(FL)フレームワークを提案する。BSに送信することなく、ユーザのローカルデータセットに基づいてトレーニングされた畳み込みニューラルネットワーク(CNN)を設計する。
雑音および量子化モデル伝送の性能評価を行い,提案手法がCLの約16倍のオーバヘッドを提供することを示す。
- 参考スコア（独自算出の注目度）: 12.487990897680422
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Machine learning (ML) has attracted a great research interest for physical
layer design problems, such as channel estimation, thanks to its low complexity
and robustness. Channel estimation via ML requires model training on a dataset,
which usually includes the received pilot signals as input and channel data as
output. In previous works, model training is mostly done via centralized
learning (CL), where the whole training dataset is collected from the users at
the base station (BS). This approach introduces huge communication overhead for
data collection. In this paper, to address this challenge, we propose a
federated learning (FL) framework for channel estimation. We design a
convolutional neural network (CNN) trained on the local datasets of the users
without sending them to the BS. We develop FL-based channel estimation schemes
for both conventional and RIS (intelligent reflecting surface) assisted massive
MIMO (multiple-input multiple-output) systems, where a single CNN is trained
for two different datasets for both scenarios. We evaluate the performance for
noisy and quantized model transmission and show that the proposed approach
provides approximately 16 times lower overhead than CL, while maintaining
satisfactory performance close to CL. Furthermore, the proposed architecture
exhibits lower estimation error than the state-of-the-art ML-based schemes.
- Abstract（参考訳）: 機械学習(ML)は、その複雑さと堅牢性のために、チャネル推定などの物理層設計問題に対して大きな研究関心を集めている。
mlによるチャネル推定には、受信したパイロット信号を入力として、チャネルデータを出力として含むデータセットのモデルトレーニングが必要である。
以前の作業では、モデルトレーニングは主に中央集権学習(CL)を通じて行われ、トレーニングデータセット全体がベースステーション(BS)のユーザから収集される。
このアプローチは、データ収集に巨大な通信オーバーヘッドをもたらす。
本稿では,この課題に対処するために,チャネル推定のための統合学習(FL)フレームワークを提案する。
我々は、ユーザのローカルデータセットでトレーニングされた畳み込みニューラルネットワーク(cnn)をbsに送信せずに設計する。
我々は、従来のRIS(インテリジェント反射面)とRIS(マルチインプット多重出力)システムの両方に対して、単一CNNを2つの異なるデータセットに対してトレーニングするFLに基づくチャネル推定手法を開発した。
雑音および量子化モデル伝送の性能を評価し,提案手法はCLに近い性能を維持しつつ,CLの約16倍のオーバーヘッドを提供することを示した。
さらに、提案アーキテクチャは、最先端のMLベースのスキームよりも低い推定誤差を示す。
関連論文リスト
- Semi-Federated Learning: Convergence Analysis and Optimization of A
Hybrid Learning Framework [70.83511997272457]
本稿では,ベースステーション(BS)とデバイスの両方を活用するセミフェデレーション学習(SemiFL)パラダイムを提案し,中央集権学習(CL)とFLのハイブリッド実装を提案する。
我々はこの難解な問題を解くための2段階のアルゴリズムを提案し、ビームフォーマに閉形式解を提供する。
論文 参考訳（メタデータ） (2023-10-04T03:32:39Z) - Federated Channel Learning for Intelligent Reflecting Surfaces With
Fewer Pilot Signals [25.592568132720157]
本稿では,IRS支援無線システムにおける直接チャネルとカスケードチャネルの両方を共同で推定するフェデレートラーニング(FL)フレームワークを提案する。
提案手法ではパイロット信号が約60%少なくなり,CLの12倍の伝送オーバヘッドが得られた。
論文 参考訳（メタデータ） (2022-05-06T13:23:39Z) - Model-based Deep Learning Receiver Design for Rate-Splitting Multiple
Access [65.21117658030235]
本研究では,モデルベース深層学習(MBDL)に基づく実用的なRSMA受信機の設計を提案する。
MBDL受信機は、符号なしシンボル誤り率(SER)、リンクレベルシミュレーション(LLS)によるスループット性能、平均トレーニングオーバーヘッドの観点から評価される。
その結果,MBDLはCSIRが不完全なSIC受信機よりも優れていた。
論文 参考訳（メタデータ） (2022-05-02T12:23:55Z) - Learning to Perform Downlink Channel Estimation in Massive MIMO Systems [72.76968022465469]
大規模マルチインプット・マルチアウトプット(MIMO)システムにおけるダウンリンク(DL)チャネル推定について検討する。
一般的なアプローチは、チャネル硬化によって動機付けられた推定値として平均値を使用することである。
本稿では2つの新しい推定法を提案する。
論文 参考訳（メタデータ） (2021-09-06T13:42:32Z) - Neural Calibration for Scalable Beamforming in FDD Massive MIMO with
Implicit Channel Estimation [10.775558382613077]
チャネル推定とビームフォーミングは、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)システムにおいて重要な役割を果たす。
受信したアップリンクパイロットに応じて,基地局のビームフォーマを直接最適化する深層学習方式を提案する。
エンド・ツー・エンドの設計のスケーラビリティを向上させるために,ニューラルキャリブレーション法を提案する。
論文 参考訳（メタデータ） (2021-08-03T14:26:14Z) - Learning to Estimate RIS-Aided mmWave Channels [50.15279409856091]
そこでは,観測観測のために,既知の基地局とRIS位相制御行列を併用したアップリンクチャネル推定手法を提案する。
推定性能を向上し, トレーニングオーバーヘッドを低減するため, 深部展開法において, mmWaveチャネルの固有チャネル幅を生かした。
提案したディープ・アンフォールディング・ネットワーク・アーキテクチャは,トレーニングオーバーヘッドが比較的小さく,オンライン計算の複雑さも比較的小さく,最小二乗法(LS)法より優れていることが確認された。
論文 参考訳（メタデータ） (2021-07-27T06:57:56Z) - A Meta-Learning Approach to the Optimal Power Flow Problem Under
Topology Reconfigurations [69.73803123972297]
メタラーニング(MTL)アプローチを用いて訓練されたDNNベースのOPF予測器を提案する。
開発したOPF予測器はベンチマークIEEEバスシステムを用いてシミュレーションにより検証される。
論文 参考訳（メタデータ） (2020-12-21T17:39:51Z) - Machine Learning for MU-MIMO Receive Processing in OFDM Systems [14.118477167150143]
従来の線形最小平均二乗誤差(LMMSE)アーキテクチャ上に構築したML強化MU-MIMO受信機を提案する。
cnnはチャネル推定誤差の2次統計量の近似を計算するために用いられる。
CNNベースのデマッパーは、多数の周波数分割多重記号とサブキャリアを共同で処理する。
論文 参考訳（メタデータ） (2020-12-15T09:55:37Z) - Federated Learning for Hybrid Beamforming in mm-Wave Massive MIMO [12.487990897680422]
本稿では,ハイブリッドビームフォーミングのためのFL(Federated Learning)ベースのフレームワークを紹介し,ベースステーションでモデルトレーニングを行う。
我々は、入力がチャネルデータである畳み込みニューラルネットワークを設計し、出力時にアナログビームフォーマを出力する。
FLは、チャネルデータの不完全性や破損に対してより寛容であり、CMLよりも透過オーバーヘッドが少ないことが示されている。
論文 参考訳（メタデータ） (2020-05-20T11:21:07Z) - Online unsupervised deep unfolding for MIMO channel estimation [0.0]
チャネル推定のためのオンライン学習を大規模に行うことを提案する。
これにより、不完全なモデルでオンラインにトレーニングできる計算効率のよいニューラルネットワークが実現される。
現実的なチャネルに適用され、優れた性能を示し、完全に校正されたシステムで得られるチャネル推定誤差をほぼ低くする。
論文 参考訳（メタデータ） (2020-04-30T07:32:58Z) - Data-Driven Symbol Detection via Model-Based Machine Learning [117.58188185409904]
機械学習(ML)とモデルベースアルゴリズムを組み合わせた,検出設計のシンボル化を目的とした,データ駆動型フレームワークについてレビューする。
このハイブリッドアプローチでは、よく知られたチャネルモデルに基づくアルゴリズムをMLベースのアルゴリズムで拡張し、チャネルモデル依存性を除去する。
提案手法は, 正確なチャネル入出力統計関係を知らなくても, モデルベースアルゴリズムのほぼ最適性能が得られることを示す。
論文 参考訳（メタデータ） (2020-02-14T06:58:27Z)
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。