論文の概要: Deep Learning Empowered Type-II Codebook: New Paradigm for Enhancing CSI
Feedback
- arxiv url: http://arxiv.org/abs/2305.08081v2
- Date: Wed, 31 May 2023 02:08:38 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-02 02:21:26.218582
- Title: Deep Learning Empowered Type-II Codebook: New Paradigm for Enhancing CSI
Feedback
- Title（参考訳）: deep learning empowered type-ii codebook: csiフィードバックの強化のための新しいパラダイム
- 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を高めるために,第5世代以上の無線システム(B5G)にType-IIコードブックを統合することに注力する。
アップリンクチャネルの信号-雑音比が比較的低いことを考えると、深層学習は支配的な角-遅延領域ポートの選択を洗練するために利用される。
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,深層学習によるダウンリンクCSIの再構築を提案する。
- 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 much attention in both academia and industry.
In this paper, we focus on integrating the Type-II codebook in the beyond
fifth-generation (B5G) wireless systems with deep learning to enhance the
performance of CSI feedback. In contrast to its counterpart in Release 16, the
Type-II codebook in Release 17 (R17) exploits the angular-delay-domain partial
reciprocity between uplink and downlink channels and selects part of
angular-delay-domain ports for measuring and feeding back the downlink CSI,
where the performance of the conventional deep learning methods is limited due
to the deficiency of sparse structures. To address this issue, we propose the
new paradigm of adopting deep learning to improve the performance of R17
Type-II codebook. Firstly, considering the relatively low signal-to-noise ratio
of uplink channels, deep learning is utilized to refine the selection of the
dominant angular-delay-domain ports, where the focal loss is harnessed to solve
the class imbalance problem. Secondly, we propose to reconstruct the downlink
CSI by way of deep learning based on the feedback of R17 Type-II codebook at
the base station, where the information of sparse structures can be effectively
leveraged. Finally, a weighted shortcut module is designed to facilitate the
accurate reconstruction, and a two-stage loss function with the combination of
the mean squared error and sum rate is proposed for adapting to actual
multi-user scenarios. Simulation results demonstrate that our proposed
angular-delay-domain port selection and CSI reconstruction paradigm can improve
the sum rate performance by more than 10% compared with the traditional R17
Type-II codebook and deep learning benchmarks.
- Abstract（参考訳）: 周波数分割デュプレックスシステム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、学界と産業の両方で注目を集めている。
本稿では,CSIフィードバックの性能向上を目的として,第5世代以上の無線システム(B5G)にType-IIコードブックを統合することに注力する。
リリース16のtype-iiコードブックとは対照的に、リリース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のチャネル間のangular-delay-domain部分的な相互性を利用して、ダウンリンクcsiの測定と送信のためのangular-delay-domainポートの一部を選択している。
そこで本研究では,R17 Type-IIコードブックの性能向上のために,ディープラーニングを採用する新たなパラダイムを提案する。
まず,アップリンクチャネルの信号対雑音比が比較的低いことを考慮し,階層不均衡問題を解決するために焦点損失を利用した支配的な角-遅延領域ポートの選択を深層学習によって洗練する。
次に,ベースステーションにおけるr17 type-iiコードブックのフィードバックに基づき,深層学習によるダウンリンクcsiの再構築を提案し,スパース構造の情報を効果的に活用する。
最後に,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,従来のR17 Type-IIコードブックやディープラーニングベンチマークと比較して,角遅延領域ポート選択とCSI再構成のパラダイムが10%以上向上できることが示唆された。
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。