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

• Deep Learning for THz Channel Estimation and Beamforming Prediction via Sub-6GHz Channel [5.770351255180493]
  本稿では,効率的な畳み込みニューラルネットワーク(CNN)を用いたTHzチャネル推定器を提案する。 推定したTHzチャネル係数を用いて,既成のコードブックから最適なビームフォーマを推定する。 従来の手法にかかわるオーバーヘッドを除去するだけでなく、ほぼ最適スペクトル効率率も達成する。
  論文  参考訳（メタデータ） (2024-11-23T15:36:35Z)
• Low-Overhead Channel Estimation via 3D Extrapolation for TDD mmWave Massive MIMO Systems Under High-Mobility Scenarios [41.213515826100696]
  本稿では,パイロットオーバヘッドを体系的に低減する空間的,周波数的,時間的領域(3D)チャネル外挿フレームワークを提案する。 数値計算の結果,提案手法はパイロット訓練のオーバーヘッドを16倍以上に抑えることができた。
  論文  参考訳（メタデータ） (2024-06-13T07:42:25Z)
• Near-field Beam training for Extremely Large-scale MIMO Based on Deep Learning [20.67122533341949]
  深層学習に基づく近接場ビームトレーニング手法を提案する。 我々は,歴史データからチャネル特性を効率的に学習するために,畳み込みニューラルネットワーク(CNN)を用いる。 提案手法は,従来のビームトレーニング法と比較して,より安定したビームフォーミングゲインを実現し,性能を著しく向上させる。
  論文  参考訳（メタデータ） (2024-06-05T13:26:25Z)
• 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)
• 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。