Fugu-MT 論文翻訳(概要): Better Lightweight Network for Free: Codeword Mimic Learning for Massive MIMO CSI feedback

論文の概要: Better Lightweight Network for Free: Codeword Mimic Learning for Massive MIMO CSI feedback

arxiv url: http://arxiv.org/abs/2210.16544v1
Date: Sat, 29 Oct 2022 09:35:14 GMT
ステータス: 処理完了
システム内更新日: 2022-11-01 19:04:41.880785
Title: Better Lightweight Network for Free: Codeword Mimic Learning for Massive MIMO CSI feedback
Title（参考訳）: 無料の軽量ネットワーク:大規模なmimo csiフィードバックのためのコードワード模倣学習
Authors: Zhilin Lu, Xudong Zhang, Rui Zeng, Jintao Wang
Abstract要約: 軽量なフィードバックネットワークは配備の実用性によって特別な注目を集めますより優れたフィードバックネットワークをトレーニングするために,CM (Codeword mimic) というコストフリー蒸留手法を提案する。実験の結果,提案したCM学習は,従来のフィードバック蒸留法よりも優れていた。
参考スコア（独自算出の注目度）: 9.320559153486885
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The channel state information (CSI) needs to be fed back from the user equipment (UE) to the base station (BS) in frequency division duplexing (FDD) multiple-input multiple-output (MIMO) system. Recently, neural networks are widely applied to CSI compressed feedback since the original overhead is too large for the massive MIMO system. Notably, lightweight feedback networks attract special attention due to their practicality of deployment. However, the feedback accuracy is likely to be harmed by the network compression. In this paper, a cost free distillation technique named codeword mimic (CM) is proposed to train better feedback networks with the practical lightweight encoder. A mimic-explore training strategy with a special distillation scheduler is designed to enhance the CM learning. Experiments show that the proposed CM learning outperforms the previous state-of-the-art feedback distillation method, boosting the performance of the lightweight feedback network without any extra inference cost.
Abstract（参考訳）: チャネル状態情報(CSI)は、周波数分割二重化(FDD)多重出力多重出力(MIMO)システムにおいて、ユーザ装置(UE)から基地局(BS)にフィードバックされる必要がある。近年,大規模mimoシステムではオーバーヘッドが大きいため,csi圧縮フィードバックにニューラルネットワークが広く適用されている。特に、軽量なフィードバックネットワークは、デプロイの実用性から特に注目を集めている。しかし、フィードバック精度はネットワーク圧縮によって損なわれる可能性が高い。本稿では,実用的な軽量エンコーダを用いたフィードバックネットワークのトレーニングのために,コードワード模倣(CM)というコストフリー蒸留手法を提案する。特別蒸留スケジューラを用いた模擬露光学習戦略は,CM学習の促進を目的としている。実験により,提案したCM学習は,従来の最先端のフィードバック蒸留法よりも優れており,余分な推論コストを伴わない軽量フィードバックネットワークの性能が向上することが示された。

関連論文リスト

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)
Towards Efficient Subarray Hybrid Beamforming: Attention Network-based Practical Feedback in FDD Massive MU-MIMO Systems [9.320559153486885]
本稿では,チャネル推定とフィードバックのための協調最適化ネットワークを提案する。実験の結果,提案するネットワークは,リソースに敏感なユーザ機器において10倍以上軽量であることがわかった。
論文参考訳（メタデータ） (2023-02-05T15:12:07Z)
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)
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)
Binarized Aggregated Network with Quantization: Flexible Deep Learning Deployment for CSI Feedback in Massive MIMO System [22.068682756598914]
アグリゲートチャネル再構築ネットワーク(ACRNet)と呼ばれる新しいネットワークは、フィードバックパフォーマンスを高めるように設計されています。異なる資源制約を満たすために,ネットワークを柔軟に適応させる弾性フィードバック方式を提案する。実験の結果、提案したACRNetは従来の最先端ネットワークの負荷よりも優れていた。
論文参考訳（メタデータ） (2021-05-01T22:50:25Z)
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)
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)
DeepSIC: Deep Soft Interference Cancellation for Multiuser MIMO Detection [98.43451011898212]
複数のシンボルが同時に送信されるマルチユーザマルチインプットマルチアウトプット(MIMO)設定では、正確なシンボル検出が困難である。本稿では,DeepSICと呼ぶ反復ソフト干渉キャンセリング(SIC)アルゴリズムの,データ駆動による実装を提案する。 DeepSICは、チャネルを線形にすることなく、限られたトレーニングサンプルから共同検出を行うことを学ぶ。
論文参考訳（メタデータ） (2020-02-08T18:31:00Z)

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。