論文の概要: Enhancing Deep Learning Performance of Massive MIMO CSI Feedback
- arxiv url: http://arxiv.org/abs/2208.11333v1
- Date: Wed, 24 Aug 2022 07:08:31 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-25 13:23:21.407428
- Title: Enhancing Deep Learning Performance of Massive MIMO CSI Feedback
- Title（参考訳）: 大規模MIMO CSIフィードバックの深層学習性能向上
- Authors: Sijie Ji, Mo Li
- Abstract要約: 我々は,深層学習に基づくMIMO(Massive multiple-input multiple-output)CSIフィードバックアプローチを強化するために,JPTS(JPTS)を利用したジグソーパズルを提案する。
実験結果から, 室内環境および屋外環境において, 精度を平均12.07%, 7.01%向上させることができることがわかった。
- 参考スコア（独自算出の注目度）: 7.63185216082836
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: CSI feedback is an important problem of Massive multiple-input
multiple-output (MIMO) technology because the feedback overhead is proportional
to the number of sub-channels and the number of antennas, both of which scale
with the size of the Massive MIMO system. Deep learning-based CSI feedback
methods have been widely adopted recently owing to their superior performance.
Despite the success, current approaches have not fully exploited the
relationship between the characteristics of CSI data and the deep learning
framework. In this paper, we propose a jigsaw puzzles aided training strategy
(JPTS) to enhance the deep learning-based Massive MIMO CSI feedback approaches
by maximizing mutual information between the original CSI and the compressed
CSI. We apply JPTS on top of existing state-of-the-art methods. Experimental
results show that by adopting this training strategy, the accuracy can be
boosted by 12.07% and 7.01% on average in indoor and outdoor environments,
respectively. The proposed method is ready to adopt to existing deep learning
frameworks of Massive MIMO CSI feedback. Codes of JPTS are available on GitHub
for reproducibility.
- Abstract（参考訳）: mimo(massive multi-input multiple-output)技術では、csiフィードバックがサブチャネル数とアンテナ数に比例するため、csiフィードバックが重要な問題である。
深層学習に基づくcsiフィードバック手法は,その優れた性能から近年広く採用されている。
この成功にもかかわらず、現在のアプローチではcsiデータの特徴とディープラーニングフレームワークの関係を十分に活用していない。
本稿では,従来のCSIと圧縮CSIの相互情報を最大化することにより,深層学習に基づくMIMO CSIフィードバックアプローチを強化するためのJPTS(jigsaw puzzles aided Training Strategy)を提案する。
既存の最先端手法の上にJPTSを適用する。
実験結果から, 室内環境, 屋外環境において, 平均で12.07%, 7.01%の精度向上が可能であることが示唆された。
提案手法は,M Massive MIMO CSIフィードバックによる既存のディープラーニングフレームワークに適用可能である。
JPTSのコードは再現性のためにGitHubで入手できる。
関連論文リスト
- Physics-Inspired Deep Learning Anti-Aliasing Framework in Efficient
Channel State Feedback [25.68689988641748]
この研究は、アンダーサンプリングによるギャップに対処するための後処理ソリューションとして、gNBで新しいCSIアップサンプリングフレームワークを導入している。
また,提案したアルゴリズムをISTA-Netアーキテクチャと統合する学習手法を開発した。
以上の結果から,ルールベースと深層学習の両手法が従来の手法や最先端の手法よりも性能的に優れていたことが示唆された。
論文 参考訳（メタデータ） (2024-03-12T23:40:51Z) - 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) - Learning Representations for CSI Adaptive Quantization and Feedback [51.14360605938647]
本稿では,周波数分割二重化システムにおける適応量子化とフィードバックの効率的な手法を提案する。
既存の研究は主に、CSI圧縮のためのオートエンコーダ(AE)ニューラルネットワークの実装に焦点を当てている。
1つはポストトレーニング量子化に基づくもので、もう1つはAEのトレーニング中にコードブックが見つかる方法である。
論文 参考訳（メタデータ） (2022-07-13T08:52:13Z) - Overview of Deep Learning-based CSI Feedback in Massive MIMO Systems [77.0986534024972]
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。
論文 参考訳（メタデータ） (2022-06-29T03:28:57Z) - 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) - CLNet: Complex Input Lightweight Neural Network designed for Massive
MIMO CSI Feedback [7.63185216082836]
本稿では,CSIの固有特性に基づくCSIフィードバック問題に適したニューラルネットワークCLNetを提案する。
実験の結果,CLNetは室内・屋外のシナリオで平均5.41%の精度向上により最先端の手法よりも優れていた。
論文 参考訳（メタデータ） (2021-02-15T12:16:11Z) - Deep Learning for Massive MIMO Channel State Acquisition and Feedback [7.111650988432555]
大規模マルチインプット・マルチアウトプット(MIMO)システムは、5Gおよび次世代無線ネットワークにおける過度なスループット要求を実現する主要な手段である。
トレーニングプロセスによって取得される正確でタイムリーなチャネル状態情報(CSI)が必要である。
本稿では、CSI取得オーバーヘッドを減らし、複雑さを減らし、ニューラルネットワーク(NN)をトレーニングプロセスでどのように使用できるかを概説する。
論文 参考訳（メタデータ） (2020-02-17T13:16:34Z) - Large Batch Training Does Not Need Warmup [111.07680619360528]
大きなバッチサイズを使用してディープニューラルネットワークをトレーニングすることは、有望な結果を示し、多くの現実世界のアプリケーションに利益をもたらしている。
本稿では,大規模バッチ学習のための全層適応レートスケーリング(CLARS)アルゴリズムを提案する。
分析に基づいて,このギャップを埋め,3つの一般的な大規模バッチトレーニング手法の理論的洞察を提示する。
論文 参考訳（メタデータ） (2020-02-04T23:03:12Z)
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。