論文の概要: Federated Learning for THz Channel Estimation
- arxiv url: http://arxiv.org/abs/2207.06017v1
- Date: Wed, 13 Jul 2022 07:57:25 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-14 14:21:25.721613
- Title: Federated Learning for THz Channel Estimation
- Title(参考訳): THz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 Wei Shi and Kumar Vijay Mishra and Symeon
Chatzinotas
- Abstract要約: 本稿では, テラヘルツ (THz) チャネル推定における2つの大きな課題, ビーム分割現象と計算複雑性について述べる。
データ駆動技術は、この問題の複雑さを軽減するために知られていますが、通常、ユーザーから中央サーバーへのデータセットの送信が必要です。
本研究では,データセット全体ではなく,モデルパラメータのみを送信するフェデレートラーニング(FL)を採用している。
- 参考スコア(独自算出の注目度): 44.058714794775995
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper addresses two major challenges in terahertz (THz) channel
estimation: the beam-split phenomenon, i.e., beam misalignment because of
frequency-independent analog beamformers, and computational complexity because
of the usage of ultra-massive number of antennas to compensate propagation
losses. Data-driven techniques are known to mitigate the complexity of this
problem but usually require the transmission of the datasets from the users to
a central server entailing huge communications overhead. In this work, we
employ federated learning (FL), wherein the users transmit only the model
parameters instead of the whole dataset, for THz channel estimation to improve
the communications-efficiency. In order to accurately estimate the channel
despite beam-split, we propose a beamspace support alignment technique without
requiring additional hardware. Compared to the previous works, our method
provides higher channel estimation accuracy as well as approximately $68$ times
lower communications overhead.
- Abstract(参考訳): 本稿では、テラヘルツ (THz) チャネル推定における2つの大きな課題について述べる。ビーム分割現象、すなわち、周波数非依存のアナログビームフォーマによるビームアライメントと、伝播損失を補うために超大質量アンテナを使用する計算複雑性である。
データ駆動技術は、この問題の複雑さを軽減するために知られているが、通常、ユーザーから巨大な通信オーバーヘッドを伴う中央サーバにデータセットを送信する必要がある。
本研究では,データ集合全体ではなくモデルパラメータのみを送信し,通信効率を向上させるためのthzチャネル推定を行うfederated learning(fl)を採用する。
ビームスプリットにもかかわらずチャネルを正確に推定するために,追加ハードウェアを必要としないビームスペース支持アライメント手法を提案する。
提案手法は,従来の手法に比べてチャネル推定精度が向上し,通信オーバーヘッドが約68ドル低減した。
関連論文リスト
- Rendering Wireless Environments Useful for Gradient Estimators: A
Zero-Order Stochastic Federated Learning Method [17.704011486040844]
フェデレーション・ラーニング(FL)は、機械学習の新しいアプローチであり、複数のエッジデバイスが、生データを開示することなく、協調的にモデルをトレーニングすることができる。
チャネル状態の知識を必要とせず、無線通信チャネルの性質を生かした新しいゼロオーダー推定器を提案する。
論文 参考訳(メタデータ) (2024-01-30T21:46:09Z) - Fast Beam Alignment via Pure Exploration in Multi-armed Bandits [91.11360914335384]
我々は,ミリ波通信におけるBAレイテンシを低減するために,帯域幅に基づく高速BAアルゴリズムを開発した。
我々のアルゴリズムは2相ヘテロセダスティックトラック・アンド・ストップ (2PHT&S) と呼ばれる。
論文 参考訳(メタデータ) (2022-10-23T05:57:39Z) - Over-the-Air Design of GAN Training for mmWave MIMO Channel Estimation [35.62977046569772]
我々は,ノイズを受信したパイロット測度を利用して深層生成モデルの訓練を行う,教師なしオーバー・ザ・エア(OTA)アルゴリズムを開発した。
次に、逆問題として、限られた数のパイロット測定値からチャネル推定を定式化する。
提案するフレームワークは,実雑音のパイロット測定を用いてオンライントレーニングを行うことが可能である。
論文 参考訳(メタデータ) (2022-05-25T02:26:34Z) - DEFORM: A Practical, Universal Deep Beamforming System [4.450750414447688]
我々は、ユニバーサルレシーバービームフォーミング技術を紹介し、設計し、評価する。
我々のアプローチとシステムDEFORMは、深層学習(DL)ベースのRXビームフォーミングであり、マルチアンテナRF受信機において大きな利益をもたらす。
論文 参考訳(メタデータ) (2022-03-18T03:52:18Z) - Low Complexity Channel estimation with Neural Network Solutions [1.0499453838486013]
我々は、ダウンリンクシナリオでチャネル推定を実現するために、一般的な残差畳み込みニューラルネットワークをデプロイする。
チャネル推定における他のディープラーニング手法と比較して,平均二乗誤差計算の改善が示唆された。
論文 参考訳(メタデータ) (2022-01-24T19:55:10Z) - On Single-User Interactive Beam Alignment in Next Generation Systems: A
Deep Learning Viewpoint [32.02074315139823]
ミリ波やテラヘルツなどの高周波での通信は、高い経路損失と激しい影に苦しんでいます。
ビームアライメント戦略は、これらのチャネルクラスタの方向を見つけ、データ伝送に使用されるビームの幅を調整するために用いられる。
論文 参考訳(メタデータ) (2021-02-20T02:15:15Z) - CAnet: Uplink-aided Downlink Channel Acquisition in FDD Massive MIMO
using Deep Learning [51.72869237847767]
周波数分割二重化システムでは、ダウンリンクチャネル状態情報(CSI)取得方式は高いトレーニングとフィードバックのオーバーヘッドをもたらす。
これらのオーバーヘッドを削減するためにディープラーニングを用いたアップリンク支援ダウンリンクチャネル獲得フレームワークを提案する。
論文 参考訳(メタデータ) (2021-01-12T10:12:28Z) - Deep Learning Based Antenna Selection for Channel Extrapolation in FDD
Massive MIMO [54.54508321463112]
大規模なマルチインプット多重出力(MIMO)システムでは、多数のアンテナが正確なチャネル状態情報を取得する上で大きな課題となる。
ニューラルネットワーク(NN)を用いて、アップリンクとダウンリンクチャネルデータセット間の固有の接続を捕捉し、アップリンクチャネル状態情報のサブセットからダウンリンクチャネルを外挿する。
アンテナサブセット選択問題について検討し、最高のチャネル外挿を実現し、NNのデータサイズを小さくする。
論文 参考訳(メタデータ) (2020-09-03T13:38:52Z) - Harnessing Wireless Channels for Scalable and Privacy-Preserving
Federated Learning [56.94644428312295]
無線接続は、フェデレートラーニング(FL)の実現に有効である
Channel randomnessperturbs 各ワーカはモデル更新をインバージョンし、複数のワーカはバンド幅に大きな干渉を発生させる。
A-FADMMでは、すべてのワーカーがモデル更新をアナログ送信を介して単一のチャンネルを使用してパラメータサーバにアップロードする。
これは通信帯域幅を節約するだけでなく、各ワーカーの正確なモデル更新軌跡を任意の盗聴者から隠蔽する。
論文 参考訳(メタデータ) (2020-07-03T16:31:15Z) - Acquisition of Channel State Information for mmWave Massive MIMO:
Traditional and Machine Learning-based Approaches [48.52099617055683]
チャネル状態情報(CSI)の取得精度はミリ波通信の性能に直接影響を与える。
本稿では,ミリ波マルチインプットマルチアウトプットシステムのビームトレーニングとチャネル推定を含む,CSIの買収の概要について述べる。
論文 参考訳(メタデータ) (2020-06-16T03:11:51Z)
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。