論文の概要: Demonstrating Interoperable Channel State Feedback Compression with Machine Learning
- arxiv url: http://arxiv.org/abs/2506.21796v1
- Date: Thu, 26 Jun 2025 22:40:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-30 21:12:23.024498
- Title: Demonstrating Interoperable Channel State Feedback Compression with Machine Learning
- Title（参考訳）: 機械学習による相互運用可能なチャネル状態フィードバック圧縮の実証
- Authors: Dani Korpi, Rachel Wang, Jerry Wang, Abdelrahman Ibrahim, Carl Nuzman, Runxin Wang, Kursat Rasim Mestav, Dustin Zhang, Iraj Saniee, Shawn Winston, Gordana Pavlovic, Wei Ding, William J. Hillery, Chenxi Hao, Ram Thirunagari, Jung Chang, Jeehyun Kim, Bartek Kozicki, Dragan Samardzija, Taesang Yoo, Andreas Maeder, Tingfang Ji, Harish Viswanathan,
- Abstract要約: 本稿では,相互運用可能な圧縮モデルと非圧縮MLモデルを秘密裏にトレーニングするための新しいアプローチを提案する。
デバイスとネットワークベンダ間でMLモデルを共有することなく、正確なMLベースのチャネルフィードバックリンクを開発することができることを示す。
- 参考スコア（独自算出の注目度）: 5.7356197775768605
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Neural network-based compression and decompression of channel state feedback has been one of the most widely studied applications of machine learning (ML) in wireless networks. Various simulation-based studies have shown that ML-based feedback compression can result in reduced overhead and more accurate channel information. However, to the best of our knowledge, there are no real-life proofs of concepts demonstrating the benefits of ML-based channel feedback compression in a practical setting, where the user equipment (UE) and base station have no access to each others' ML models. In this paper, we present a novel approach for training interoperable compression and decompression ML models in a confidential manner, and demonstrate the accuracy of the ensuing models using prototype UEs and base stations. The performance of the ML-based channel feedback is measured both in terms of the accuracy of the reconstructed channel information and achieved downlink throughput gains when using the channel information for beamforming. The reported measurement results demonstrate that it is possible to develop an accurate ML-based channel feedback link without having to share ML models between device and network vendors. These results pave the way for a practical implementation of ML-based channel feedback in commercial 6G networks.
- Abstract（参考訳）: ニューラルネットワークに基づく圧縮とチャネル状態フィードバックの非圧縮は、無線ネットワークにおける機械学習(ML)の最も広く研究されている応用の1つである。
シミュレーションに基づく様々な研究により、MLに基づくフィードバック圧縮はオーバーヘッドを減らし、より正確なチャネル情報をもたらすことが示されている。
しかし,我々の知る限り,ユーザ機器(UE)と基地局が相互のMLモデルにアクセスできないような,MLベースのチャネルフィードバック圧縮の利点を示す概念の現実的な証明は存在しない。
本稿では,相互運用可能な圧縮・圧縮MLモデルを秘密裏にトレーニングするための新しい手法を提案する。
MLに基づくチャネルフィードバックの性能は、再構成されたチャネル情報の精度の両方で測定され、ビームフォーミングにチャネル情報を使用すると、ダウンリンクスループットが向上する。
報告した測定結果は,デバイスとネットワークベンダ間でMLモデルを共有することなく,正確なMLベースのチャネルフィードバックリンクを開発することができることを示す。
これらの結果は、商用6GネットワークにおけるMLベースのチャネルフィードバックの実践的実装の道を開くものである。
関連論文リスト
- 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 to Perform Downlink Channel Estimation in Massive MIMO Systems [72.76968022465469]
大規模マルチインプット・マルチアウトプット(MIMO)システムにおけるダウンリンク(DL)チャネル推定について検討する。
一般的なアプローチは、チャネル硬化によって動機付けられた推定値として平均値を使用することである。
本稿では2つの新しい推定法を提案する。
論文 参考訳（メタデータ） (2021-09-06T13:42:32Z) - Machine Learning-enhanced Receive Processing for MU-MIMO OFDM Systems [15.423422040627331]
機械学習は、マルチユーザマルチインプットマルチアウトプット(MU-MIMO)受信処理を改善するために使用できる。
本稿では,従来の受信機の利点を保ちつつ,特定の部品をMLコンポーネントで強化する新たな戦略を提案する。
論文 参考訳（メタデータ） (2021-06-30T14:02:27Z) - Model-Driven Deep Learning Based Channel Estimation and Feedback for
Millimeter-Wave Massive Hybrid MIMO Systems [61.78590389147475]
本稿では,ミリ波(mmWave)システムのモデル駆動深層学習(MDDL)に基づくチャネル推定とフィードバック方式を提案する。
無線周波数(RF)鎖の限られた数から高次元チャネルを推定するためのアップリンクパイロットオーバーヘッドを低減するために,位相シフトネットワークとチャネル推定器を自動エンコーダとして共同で訓練することを提案する。
MDDLに基づくチャネル推定とフィードバック方式は,最先端の手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2021-04-22T13:34:53Z) - Machine Learning for MU-MIMO Receive Processing in OFDM Systems [14.118477167150143]
従来の線形最小平均二乗誤差(LMMSE)アーキテクチャ上に構築したML強化MU-MIMO受信機を提案する。
cnnはチャネル推定誤差の2次統計量の近似を計算するために用いられる。
CNNベースのデマッパーは、多数の周波数分割多重記号とサブキャリアを共同で処理する。
論文 参考訳（メタデータ） (2020-12-15T09:55:37Z) - Federated Learning for Channel Estimation in Conventional and
RIS-Assisted Massive MIMO [12.487990897680422]
機械学習によるチャネル推定では、通常、受信したパイロット信号を入力として、チャネルデータを出力として含むデータセットのモデルトレーニングが必要となる。
以前の研究では、モデルトレーニングは主に中央集権学習(CL)を通じて行われ、トレーニングデータセット全体がベースステーション(BS)のユーザから収集される。
チャネル推定のためのフェデレートラーニング(FL)フレームワークを提案する。BSに送信することなく、ユーザのローカルデータセットに基づいてトレーニングされた畳み込みニューラルネットワーク(CNN)を設計する。
雑音および量子化モデル伝送の性能評価を行い,提案手法がCLの約16倍のオーバヘッドを提供することを示す。
論文 参考訳（メタデータ） (2020-08-25T06:51:18Z) - 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) - Predicting the Path Loss of Wireless Channel Models Using Machine
Learning Techniques in MmWave Urban Communications [13.026091318474785]
従来の無線通信チャネルモデリングは、決定論的およびチャネル手法を用いて行われる。
機械学習(ML)は、5G以降のシステム設計に革命をもたらす。
論文 参考訳（メタデータ） (2020-05-02T08:19:18Z) - Data-Driven Symbol Detection via Model-Based Machine Learning [117.58188185409904]
機械学習(ML)とモデルベースアルゴリズムを組み合わせた,検出設計のシンボル化を目的とした,データ駆動型フレームワークについてレビューする。
このハイブリッドアプローチでは、よく知られたチャネルモデルに基づくアルゴリズムをMLベースのアルゴリズムで拡張し、チャネルモデル依存性を除去する。
提案手法は, 正確なチャネル入出力統計関係を知らなくても, モデルベースアルゴリズムのほぼ最適性能が得られることを示す。
論文 参考訳（メタデータ） (2020-02-14T06:58:27Z)
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。