論文の概要: Overview of Deep Learning-based CSI Feedback in Massive MIMO Systems
- arxiv url: http://arxiv.org/abs/2206.14383v1
- Date: Wed, 29 Jun 2022 03:28:57 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-30 21:31:43.349693
- Title: Overview of Deep Learning-based CSI Feedback in Massive MIMO Systems
- Title（参考訳）: 大規模MIMOシステムにおける深層学習型CSIフィードバックの概要
- Authors: Jiajia Guo, Chao-Kai Wen, Shi Jin, Geoffrey Ye Li
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 77.0986534024972
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Many performance gains achieved by massive multiple-input and multiple-output
depend on the accuracy of the downlink channel state information (CSI) at the
transmitter (base station), which is usually obtained by estimating at the
receiver (user terminal) and feeding back to the transmitter. The overhead of
CSI feedback occupies substantial uplink bandwidth resources, especially when
the number of the transmit antennas is large. Deep learning (DL)-based CSI
feedback refers to CSI compression and reconstruction by a DL-based autoencoder
and can greatly reduce feedback overhead. In this paper, a comprehensive
overview of state-of-the-art research on this topic is provided, beginning with
basic DL concepts widely used in CSI feedback and then categorizing and
describing some existing DL-based feedback works. The focus is on novel neural
network architectures and utilization of communication expert knowledge to
improve CSI feedback accuracy. Works on bit-level CSI feedback and joint design
of CSI feedback with other communication modules are also introduced, and some
practical issues, including training dataset collection, online training,
complexity, generalization, and standardization effect, are discussed. At the
end of the paper, some challenges and potential research directions associated
with DL-based CSI feedback in future wireless communication systems are
identified.
- Abstract（参考訳）: 大量の多重入力と多重出力によって達成される多くの性能は、送信機(基地局)におけるダウンリンクチャネル状態情報(csi)の精度に依存する。
csiフィードバックのオーバーヘッドは、特に送信アンテナの数が大きい場合に、かなりのアップリンク帯域幅リソースを占有する。
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。
本稿では,CSIフィードバックに広く用いられている基本的なDL概念から始まり,既存のDLベースのフィードバック作業の分類と記述から,このトピックに関する最新の研究の概要を概観する。
その焦点は、新しいニューラルネットワークアーキテクチャと、csiフィードバックの精度を改善するためのコミュニケーションエキスパート知識の利用である。
ビットレベルのCSIフィードバックと他の通信モジュールとの協調設計についても検討し、トレーニングデータセット収集、オンライントレーニング、複雑化、一般化、標準化効果などの実践的な課題について論じる。
本稿の最後には、将来の無線通信システムにおけるDLベースのCSIフィードバックに関連する課題と研究の方向性について述べる。
関連論文リスト
- Dig-CSI: A Distributed and Generative Model Assisted CSI Feedback
Training Framework [6.216538343278333]
我々はDig-CSIと呼ばれるCSIフィードバックトレーニングフレームワークを設計する。
CSIフィードバックモデルをトレーニングするためのデータセットは、各ユーザ機器(UE)がアップロードした分散ジェネレータによって生成されるが、ローカルデータのアップロードは行わない。
実験の結果、Dig-CSIは古典的な集中学習で訓練されたモデルに匹敵する性能でグローバルなCSIフィードバックモデルを訓練できることがわかった。
論文 参考訳（メタデータ） (2023-12-10T15:55:57Z) - 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) - 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) - AI for CSI Feedback Enhancement in 5G-Advanced and 6G [51.276468472631976]
第3世代パートナーシッププロジェクトは2021年にリリース18の研究を開始した。
本稿では,5G-Advancedおよび6GにおけるCSIフィードバック向上のためのAIの概要を紹介する。
論文 参考訳（メタデータ） (2022-06-30T08:52:43Z) - 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) - 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) - Aggregated Network for Massive MIMO CSI Feedback [18.04633171156304]
ACRNetは、ネットワークアグリゲーションとパラメトリックなRuLUアクティベーションによってフィードバック性能を向上させるように設計されている。
実験では、ACRNetは追加情報なしで、以前の最先端のフィードバックネットワークの負荷を上回ります。
論文 参考訳（メタデータ） (2021-01-17T08:19:40Z)
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。