論文の概要: Deep Learning Empowered Type-II Codebook: New Perspectives for Enhancing CSI Feedback

• arxiv url: http://arxiv.org/abs/2305.08081v1
• Date: Sun, 14 May 2023 06:27:35 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-16 17:44:01.120909
• Title: Deep Learning Empowered Type-II Codebook: New Perspectives for Enhancing CSI Feedback
• Title（参考訳）: deep learning empowered type-ii codebook: csiフィードバック強化のための新しい展望
• Authors: Ke Ma, Yiliang Sang, Yang Ming, Jin Lian, Chang Tian, Zhaocheng Wang
• Abstract要約: 我々は,CSIフィードバックの性能向上のため,無線通信標準におけるType-IIコードブックの深層学習への統合に重点を置いている。 アップリンクチャネルの低信号-雑音比を考慮して、深層学習を用いて、支配的な角-遅延領域ポートを正確に選択する。 本稿では,基地局におけるR17 Type-IIコードブックのフィードバックに基づいて,ダウンリンクCSIを再構築する深層学習を提案する。
• 参考スコア（独自算出の注目度）: 13.235624929811369
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning based channel state information (CSI) feedback in frequency division duplex systems has drawn widespread attention in both academia and industry. In this paper, we focus on integrating the Type-II codebook in the wireless communication standards with deep learning to enhance the performance of CSI feedback. In contrast to the existing deep learning based studies on the Release 16 Type-II codebook, the Type-II codebook in Release 17 (R17) exploits the angular-delay-domain partial reciprocity between uplink and downlink channels to select part of angular-delay-domain ports for measuring and feeding back the downlink CSI, where the performance of deep learning based conventional methods is limited due to the deficiency of sparse structures. To address this issue, we propose two new perspectives of adopting deep learning to improve the R17 Type-II codebook. Firstly, considering the low signal-to-noise ratio of uplink channels, deep learning is utilized to accurately select the dominant angular-delay-domain ports, where the focal loss is harnessed to solve the class imbalance problem. Secondly, we propose to adopt deep learning to reconstruct the downlink CSI based on the feedback of the R17 Type-II codebook at the base station, where the information of sparse structures can be effectively leveraged. Furthermore, a weighted shortcut module is designed to facilitate the accurate reconstruction, and a two-stage loss function that combines the mean squared error and sum rate is proposed for adapting to practical multi-user scenarios. Simulation results demonstrate that our proposed deep learning based port selection and CSI reconstruction methods can improve the sum rate performance compared with the traditional R17 Type-II codebook and deep learning benchmarks.
• Abstract（参考訳）: 周波数分割二重系における深層学習に基づくチャネル状態情報(CSI)フィードバックは、学術と産業の両方で広く注目を集めている。 本稿では,CSIフィードバックの性能向上のため,無線通信規格におけるType-IIコーデックブックの深層学習への統合に焦点をあてる。 Release 16 Type-IIコードブックに関する既存のディープラーニングベースの研究とは対照的に、Release 17(R17)のType-IIコードブックでは、アップリンクとダウンリンクチャネルの間の角-遅延領域部分の相反性を、ダウンリンクCSIの測定とフィードバックのための角-遅延領域ポートの選択に利用している。 この問題に対処するため、我々はR17 Type-IIコードブックを改善するためにディープラーニングを採用する2つの新しい視点を提案する。 まず、アップリンクチャネルの信号対雑音比の低さを考慮して、深層学習を用いて、焦点損失を利用してクラス不均衡問題を解決する支配的な角遅延領域ポートを正確に選択する。 第2に,基地局におけるR17 Type-IIコードブックのフィードバックに基づいて,深層学習を用いてダウンリンクCSIを再構築し,スパース構造の情報を効果的に活用することを提案する。 さらに,重み付きショートカットモジュールを設計し,実際のマルチユーザシナリオに適応するために,平均2乗誤差と和率を組み合わせた2段階の損失関数を提案する。 シミュレーションの結果,本提案手法は従来のr17 type-ii コードブックやdeep learning ベンチマークと比較して,総和率を向上できることがわかった。

関連論文リスト

• Deep Submodular Peripteral Networks [1.8061637661945513]
  本稿では,新しいサブモジュラー関数群であるディープサブモジュラー・ペプタラル・ネットワーク(DSPN)とその訓練方法を紹介する。 本研究では,DSPNがコストのかかるサブモジュール関数からサブモジュール性を学ぶことの有効性を実証し,実験的設計とオンラインストリーミングアプリケーションの両方においてその優位性を示す。
  論文  参考訳（メタデータ） (2024-03-13T02:53:52Z)
• 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)
• Fixing the NTK: From Neural Network Linearizations to Exact Convex Programs [63.768739279562105]
  学習目標に依存しない特定のマスクウェイトを選択する場合、このカーネルはトレーニングデータ上のゲートReLUネットワークのNTKと等価であることを示す。 この目標への依存の欠如の結果として、NTKはトレーニングセット上の最適MKLカーネルよりもパフォーマンスが良くない。
  論文  参考訳（メタデータ） (2023-09-26T17:42:52Z)
• Improving the Performance of R17 Type-II Codebook with Deep Learning [13.792575825904342]
  本稿では、R17 Type-IIコードブックを改善するために、ディープラーニングを採用する2つの新しい視点を提案する。 まず、深層学習を用いて、焦点損失を利用してクラス不均衡問題を解決するために、支配的な角遅延領域ポートを正確に選択する。 次に,基地局におけるR17 Type-IIコードブックのフィードバックに基づいて,ダウンリンクCSIを再構築する深層学習を提案する。
  論文  参考訳（メタデータ） (2023-09-13T04:34:32Z)
• 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)
• Model-based Deep Learning Receiver Design for Rate-Splitting Multiple Access [65.21117658030235]
  本研究では,モデルベース深層学習(MBDL)に基づく実用的なRSMA受信機の設計を提案する。 MBDL受信機は、符号なしシンボル誤り率(SER)、リンクレベルシミュレーション(LLS)によるスループット性能、平均トレーニングオーバーヘッドの観点から評価される。 その結果,MBDLはCSIRが不完全なSIC受信機よりも優れていた。
  論文  参考訳（メタデータ） (2022-05-02T12:23:55Z)
• Deep Learning-Based Intra Mode Derivation for Versatile Video Coding [65.96100964146062]
  本稿では,Deep Learning based intra Mode Derivation (DLIMD) と呼ばれるインテリジェントイントラモード導出法を提案する。 DLIMDのアーキテクチャは、異なる量子化パラメータ設定と、非平方要素を含む可変符号化ブロックに適応するように開発されている。 提案手法は,Versatile Video Coding (VVC) テストモデルを用いて,Y, U, Vコンポーネントの平均ビットレートを2.28%, 1.74%, 2.18%削減できる。
  論文  参考訳（メタデータ） (2022-04-08T13:23:59Z)
• 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)

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。