論文の概要: Federated Channel Learning for Intelligent Reflecting Surfaces With Fewer Pilot Signals

• arxiv url: http://arxiv.org/abs/2205.03196v1
• Date: Fri, 6 May 2022 13:23:39 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-09 14:21:03.151665
• Title: Federated Channel Learning for Intelligent Reflecting Surfaces With Fewer Pilot Signals
• Title（参考訳）: パイロット信号の少ないインテリジェント反射面に対するフェデレーションチャネル学習
• Authors: Ahmet M. Elbir and Sinem Coleri and Kumar Vijay Mishra
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 25.592568132720157
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Channel estimation is a critical task in intelligent reflecting surface (IRS)-assisted wireless systems due to the uncertainties imposed by environment dynamics and rapid changes in the IRS configuration. To deal with these uncertainties, deep learning (DL) approaches have been proposed. Previous works consider centralized learning (CL) approach for model training, which entails the collection of the whole training dataset from the users at the base station (BS), hence introducing huge transmission overhead for data collection. To address this challenge, this paper proposes a federated learning (FL) framework to jointly estimate both direct and cascaded channels in IRS-assisted wireless systems. We design a single convolutional neural network trained on the local datasets of the users without sending them to the BS. We show that the proposed FL-based channel estimation approach requires approximately 60% fewer pilot signals and it exhibits 12 times lower transmission overhead than CL, while maintaining satisfactory performance close to CL. In addition, it provides lower estimation error than the state-of-the-art DL-based schemes.
• Abstract（参考訳）: チャネル推定は、環境力学による不確実性やIRS構成の急激な変化により、インテリジェント反射面(IRS)支援無線システムにおいて重要な課題である。 これらの不確実性に対処するため,ディープラーニング(DL)アプローチが提案されている。 これまでの研究では、ベースステーション(BS)のユーザからトレーニングデータセット全体の収集が必要なモデルトレーニングのための集中型学習(CL)アプローチが検討されていた。 この課題に対処するために,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。 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単一の畳み込みニューラルネットワークをbsに送信せずに設計する。 提案手法ではパイロット信号の約60%の低減が必要であり,CLに近い性能を維持しつつ,CLよりも12倍の伝送オーバヘッドを有することを示す。 さらに、最先端のDLベースのスキームよりも低い推定誤差を提供する。

関連論文リスト

• Disentangled Representation Learning for RF Fingerprint Extraction under Unknown Channel Statistics [77.13542705329328]
  本稿では,まず,不整合表現学習(DRL)の枠組みを提案し,入力信号を逆学習によりデバイス関連成分とデバイス関連成分に分解する。 提案フレームワークにおける暗黙的なデータ拡張は、デバイス非関連チャネル統計の過度な適合を避けるために、RFF抽出器に正規化を課す。 実験により、DR-RFFと呼ばれる提案手法は、未知の複雑な伝播環境に対する一般化可能性の観点から従来の手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2022-08-04T15:46:48Z)
• 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 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)
• Communication-Efficient Hierarchical Federated Learning for IoT Heterogeneous Systems with Imbalanced Data [42.26599494940002]
  フェデレートラーニング(Federated Learning, FL)は、複数のノードが協調してディープラーニングモデルをトレーニングできる分散ラーニング方法論である。 本稿では,IoTヘテロジニアスシステムにおける階層FLの可能性について検討する。 複数のエッジノード上でのユーザ割り当てとリソース割り当てに最適化されたソリューションを提案する。
  論文  参考訳（メタデータ） (2021-07-14T08:32:39Z)
• FedRec: Federated Learning of Universal Receivers over Fading Channels [92.15358738530037]
  本稿では,ダウンリンクフェージングチャネルに対するニューラルネットワークを用いたシンボル検出手法を提案する。 複数のユーザが協力して、普遍的なデータ駆動型検出器を学習する。 得られた受信機の性能は、フェーディング統計の知識を必要とせずに、様々なチャネル条件下でMAP性能に近づくことを示す。
  論文  参考訳（メタデータ） (2020-11-14T11:29:55Z)
• A Survey of Deep Learning Architectures for Intelligent Reflecting Surfaces [22.51807198305316]
  インテリジェント反射面(IRS)は近年,無線通信において大きな注目を集めている。 ディープラーニング(DL)のようなデータ駆動技術は、これらの課題に対処するために重要である。 本稿では、DLベースのIRSアシスト無線システムを設計するためのこれらの技術の概要について述べる。
  論文  参考訳（メタデータ） (2020-09-05T14:26:48Z)
• Federated Learning for Channel Estimation in Conventional and RIS-Assisted Massive MIMO [12.487990897680422]
  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。
  論文  参考訳（メタデータ） (2020-08-25T06:51:18Z)
• A Compressive Sensing Approach for Federated Learning over Massive MIMO Communication Systems [82.2513703281725]
  フェデレートラーニング(Federated Learning)は、無線デバイスとのコラボレーションによって、中央サーバでグローバルモデルをトレーニングするための、プライバシ保護のアプローチである。 本稿では,大規模マルチインプット多出力通信システム上でのフェデレーション学習のための圧縮センシング手法を提案する。
  論文  参考訳（メタデータ） (2020-03-18T05:56:27Z)
• Millimeter Wave Communications with an Intelligent Reflector: Performance Optimization and Distributional Reinforcement Learning [119.97450366894718]
  ミリ波基地局のダウンリンクマルチユーザ通信を最適化するための新しいフレームワークを提案する。 チャネル状態情報(CSI)をリアルタイムで計測するために,チャネル推定手法を開発した。 最適赤外反射を学習し、ダウンリンク能力の期待を最大化するために、分布強化学習(DRL)手法を提案する。
  論文  参考訳（メタデータ） (2020-02-24T22:18:54Z)

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。