論文の概要: Distributed Gossip-GAN for Low-overhead CSI Feedback Training in FDD mMIMO-OFDM Systems

• arxiv url: http://arxiv.org/abs/2509.10490v1
• Date: Sun, 31 Aug 2025 07:46:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-21 06:05:45.745631
• Title: Distributed Gossip-GAN for Low-overhead CSI Feedback Training in FDD mMIMO-OFDM Systems
• Title（参考訳）: FDD mMIMO-OFDMシステムにおける低オーバーヘッドCSIフィードバックトレーニングのための分散ゴシップGAN
• Authors: Yuwen Cao, Guijun Liu, Tomoaki Ohtsuki, Howard H. Yang, Tony Q. S. Quek,
• Abstract要約: 本稿では,新たなゴシップ生成敵ネットワーク(Gossip-GAN)支援CSIフィードバックトレーニングフレームワークを提案する。 Gossip-GANは、ユーザのプライバシを保護しながら、低オーバーヘッドでCSIフィードバックトレーニングを可能にする。
• 参考スコア（独自算出の注目度）: 65.23921727688749
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The deep autoencoder (DAE) framework has turned out to be efficient in reducing the channel state information (CSI) feedback overhead in massive multiple-input multipleoutput (mMIMO) systems. However, these DAE approaches presented in prior works rely heavily on large-scale data collected through the base station (BS) for model training, thus rendering excessive bandwidth usage and data privacy issues, particularly for mMIMO systems. When considering users' mobility and encountering new channel environments, the existing CSI feedback models may often need to be retrained. Returning back to previous environments, however, will make these models perform poorly and face the risk of catastrophic forgetting. To solve the above challenging problems, we propose a novel gossiping generative adversarial network (Gossip-GAN)-aided CSI feedback training framework. Notably, Gossip-GAN enables the CSI feedback training with low-overhead while preserving users' privacy. Specially, each user collects a small amount of data to train a GAN model. Meanwhile, a fully distributed gossip-learning strategy is exploited to avoid model overfitting, and to accelerate the model training as well. Simulation results demonstrate that Gossip-GAN can i) achieve a similar CSI feedback accuracy as centralized training with real-world datasets, ii) address catastrophic forgetting challenges in mobile scenarios, and iii) greatly reduce the uplink bandwidth usage. Besides, our results show that the proposed approach possesses an inherent robustness.
• Abstract（参考訳）: ディープオートエンコーダ(DAE)フレームワークは、MMIMO(Multiple-Input multipleoutput)システムにおいて、チャネル状態情報(CSI)フィードバックのオーバーヘッドを低減するのに効率的であることが判明した。 しかし、これらのDAEアプローチは、モデルトレーニングのベースステーション(BS)を通じて収集された大規模なデータに大きく依存しているため、特にmMIMOシステムにおいて、帯域幅の過剰な使用とデータプライバシーの問題が発生する。 ユーザの移動性や新しいチャネル環境に遭遇する場合、既存のCSIフィードバックモデルを再訓練する必要がある場合が多い。 しかし、以前の環境に戻ることで、これらのモデルは性能が悪くなり、破滅的な忘れがちなリスクに直面します。 上記の課題を解決するために,ゴシップ・GAN(Gossip-GAN)支援型CSIフィードバックトレーニングフレームワークを提案する。 特に、Gossip-GANは、ユーザのプライバシを保護しながら、低オーバーヘッドでCSIフィードバックトレーニングを可能にする。 具体的には、各ユーザが少量のデータを収集して、GANモデルをトレーニングする。 一方、完全に分散したゴシップ学習戦略は、モデルオーバーフィットを回避し、モデルトレーニングを加速するために利用される。 Gossip-GANが可能であることを示すシミュレーション結果 一 実世界のデータセットによる集中訓練と同様のCSIフィードバック精度を達成すること。 二 モバイルのシナリオにおける悲惨な忘れ課題に対処すること。 三 アップリンク帯域幅の使用を著しく削減すること。 さらに,本研究の結果から,提案手法は本質的なロバスト性を有することが明らかとなった。

関連論文リスト

• CSI-BERT2: A BERT-inspired Framework for Efficient CSI Prediction and Classification in Wireless Communication and Sensing [15.607497819907227]
  CSI予測と分類タスクのための統合フレームワークCSI-BERT2を提案する。 まず、マスク言語モデル(MLM)を用いて、不足するデータセットから一般的な特徴抽出を学習できるようにする。 また、サブキャリア表現を強化するための適応的再重み付け層(ARL)と、MLPベースの時間埋め込みモジュールを導入する。
  論文  参考訳（メタデータ） (2024-12-09T06:44:04Z)
• Dig-CSI: A Distributed and Generative Model Assisted CSI Feedback Training Framework [6.216538343278333]
  我々はDig-CSIと呼ばれるCSIフィードバックトレーニングフレームワークを設計する。 CSIフィードバックモデルをトレーニングするためのデータセットは、各ユーザ機器(UE)がアップロードした分散ジェネレータによって生成されるが、ローカルデータのアップロードは行わない。 実験の結果、Dig-CSIは古典的な集中学習で訓練されたモデルに匹敵する性能でグローバルなCSIフィードバックモデルを訓練できることがわかった。
  論文  参考訳（メタデータ） (2023-12-10T15:55:57Z)
• 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)
• Enhancing Multiple Reliability Measures via Nuisance-extended Information Bottleneck [77.37409441129995]
  トレーニングデータに制限がある現実的なシナリオでは、データ内の多くの予測信号は、データ取得のバイアスからより多く得る。 我々は,相互情報制約の下で,より広い範囲の摂動をカバーできる敵の脅威モデルを考える。 そこで本研究では,その目的を実現するためのオートエンコーダベーストレーニングと,提案したハイブリッド識別世代学習を促進するための実用的なエンコーダ設計を提案する。
  論文  参考訳（メタデータ） (2023-03-24T16:03:21Z)
• Adversarial training with informed data selection [53.19381941131439]
  アドリアリトレーニングは、これらの悪意のある攻撃からネットワークを守るための最も効率的なソリューションである。 本研究では,ミニバッチ学習に適用すべきデータ選択戦略を提案する。 シミュレーションの結果,ロバスト性および標準精度に関して良好な妥協が得られることがわかった。
  論文  参考訳（メタデータ） (2023-01-07T12:09:50Z)
• 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)

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。