論文の概要: Fundamental Limits of CSI Compression in FDD Massive MIMO
- arxiv url: http://arxiv.org/abs/2603.14325v1
- Date: Sun, 15 Mar 2026 11:03:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-17 16:19:35.749553
- Title: Fundamental Limits of CSI Compression in FDD Massive MIMO
- Title（参考訳）: FDD大量MIMOにおけるCSI圧縮の基本限界
- Authors: Bumsu Park, Youngmok Park, Chanho Park, Namyoon Lee,
- Abstract要約: 状態推論と状態適応型TCを組み合わせた実用的なCSIフィードバックアーキテクチャを提案する。
鍵となる構造的結果は、全ての混合成分をまたいだ最適なビット割り当てが、単一の大域的な逆給水レベルによって制御されることである。
その結果,大容量のニューラルエンコーダを使わずに準最適CSI圧縮を状態適応TCにより達成できることが示唆された。
- 参考スコア（独自算出の注目度）: 32.267305083092594
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Channel state information (CSI) feedback in frequency-division duplex (FDD) massive multiple-input multiple-output (MIMO) systems is fundamentally limited by the high dimensionality of wideband channels. In this paper, we model the stacked wideband CSI vector as a Gaussian-mixture source with a latent geometry state that represents different propagation environments. Each component corresponds to a locally stationary regime characterized by a correlated proper complex Gaussian distribution with its own covariance matrix. This representation captures the multimodal nature of practical CSI datasets while preserving the analytical tractability of Gaussian models. Motivated by this structure, we propose Gaussian-mixture transform coding (GMTC), a practical CSI feedback architecture that combines state inference with state-adaptive TC. The mixture parameters are learned offline from channel samples and stored as a shared statistical dictionary at both the user equipment (UE) and the base station. For each CSI realization, the UE identifies the most likely geometry state, encodes the corresponding label using a lossless source code, and compresses the CSI using the Karhunen-Loeve transform matched to that state. We further characterize the fundamental limits of CSI compression under this model by deriving analytical converse and achievability bounds on the rate-distortion (RD) function. A key structural result is that the optimal bit allocation across all mixture components is governed by a single global reverse-waterfilling level. Simulations on the COST2100 dataset show that GMTC significantly improves the RD tradeoff relative to neural transform coding approaches while requiring substantially smaller model memory and lower inference complexity. These results indicate that near-optimal CSI compression can be achieved through state-adaptive TC without relying on large neural encoders.
- Abstract（参考訳）: 周波数分割二重回路(FDD)におけるチャネル状態情報(CSI)のフィードバックは、広帯域チャネルの高次元性によって根本的に制限される。
本稿では、重畳された広帯域CSIベクトルを、異なる伝搬環境を表す潜在幾何学状態を持つガウス混合音源としてモデル化する。
各成分は、それ自身の共分散行列と相関する適切な複素ガウス分布によって特徴づけられる局所定常状態に対応する。
この表現は、ガウスモデルの解析的トラクタビリティを維持しながら、実用的なCSIデータセットのマルチモーダルな性質を捉えている。
この構造を動機として,状態推論と状態適応TCを組み合わせた実用的なCSIフィードバックアーキテクチャであるGaussian-mixture transform coding (GMTC)を提案する。
混合パラメータは、チャネルサンプルからオフラインで学習され、ユーザ機器(UE)と基地局の両方で共有統計辞書として格納される。
各CSI実現において、UEは最も可能性の高い幾何学的状態を特定し、損失のないソースコードを用いて対応するラベルを符号化し、その状態にマッチしたKarhunen-Loeve変換を用いてCSIを圧縮する。
我々は、このモデルの下でのCSI圧縮の基本的限界を、レート歪み(RD)関数に基づく解析的逆と達成可能性境界を導出することによって特徴づける。
鍵となる構造的結果は、全ての混合成分をまたいだ最適なビット割り当てが、単一の大域的な逆給水レベルによって制御されることである。
COST2100データセットのシミュレーションでは、GMTCはモデルメモリを大幅に小さくし、推論の複雑さを低くしながら、ニューラルトランスフォーメーションコーディングアプローチと比較してRDトレードオフを大幅に改善している。
これらの結果から,大容量のニューラルエンコーダを使わずに準最適CSI圧縮を状態適応TCにより達成できることが示唆された。
関連論文リスト
- Data-Driven Deep MIMO Detection:Network Architectures and Generalization Analysis [50.20709408241935]
本稿では,ネットワーク・オブ・MLPにおける完全データ駆動型DeepSIC検出の検証を提案する。
このようなアーキテクチャでは、グラフニューラルネットワーク(GNN)を使用したグラフベースのメッセージパッシングプロセスとして、DeepSICをアップグレードすることができる。
GNNSICは、訓練可能なパラメータが大幅に少ないDeepSICに匹敵する優れた表現性を達成する。
論文 参考訳（メタデータ） (2026-02-13T04:38:51Z) - Fourier-RWKV: A Multi-State Perception Network for Efficient Image Dehazing [26.57698394898644]
マルチステート・パーセプション・パラダイムに基づく新しい脱ハージング・フレームワークを提案する。
Fourier-RWKVはさまざまなヘイズシナリオにまたがって最先端のパフォーマンスを提供する。
論文 参考訳（メタデータ） (2025-12-09T01:35:56Z) - Generative MIMO Beam Map Construction for Location Recovery and Beam Tracking [67.65578956523403]
本稿では,スパースチャネル状態情報(CSI)から位置ラベルを直接復元する生成フレームワークを提案する。
生のCSIを直接格納する代わりに、小型の低次元無線地図の埋め込みを学び、生成モデルを利用して高次元CSIを再構築する。
数値実験により,NLOSシナリオにおける局所化精度が30%以上向上し,20%のキャパシティゲインが得られることが示された。
論文 参考訳（メタデータ） (2025-11-21T07:25:49Z) - Knowledge-Informed Neural Network for Complex-Valued SAR Image Recognition [51.03674130115878]
本稿では,新しい「圧縮集約圧縮」アーキテクチャ上に構築された軽量なフレームワークであるKnowledge-Informed Neural Network(KINN)を紹介する。
KINNはパラメータ効率の認識における最先端を確立し、データスカースとアウト・オブ・ディストリビューションのシナリオにおいて例外的な一般化を提供する。
論文 参考訳（メタデータ） (2025-10-23T07:12:26Z) - Study on Downlink CSI compression: Are Neural Networks the Only Solution? [1.0305984157213843]
大量多入力多出力(MIMO)システムにより、ダウンリンク(DL)における高いデータレートを実現する
高いDLデータレートは、空間多重化とビームフォーミングの効果的な実装によって達成される。
周波数分割二重化(FDD)システムでは、DLチャネル状態情報(CSI)をユーザ機器(UE)からgNBに送信する必要がある。
オーバヘッド問題に対処するため、自動エンコーダを用いたAI/ML手法が検討され、UEのエンコーダニューラルネットワークモデルがCSIを圧縮し、gNBのデコーダニューラルネットワークモデルがそれを再構成する。
論文 参考訳（メタデータ） (2025-02-10T08:00:14Z) - CSI-BERT2: A BERT-inspired Framework for Efficient CSI Prediction and Classification in Wireless Communication and Sensing [19.12026243010111]
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。
このフレームワークはBERTに適応し、双方向の自己認識機構を通じてCSI配列間の複雑な関係をキャプチャする。
CSI-BERT2は、すべてのタスクで最先端のパフォーマンスを達成することを実証している。
論文 参考訳（メタデータ） (2024-12-09T06:44:04Z) - Variable-size Symmetry-based Graph Fourier Transforms for image compression [65.7352685872625]
可変サイズのグラフフーリエ変換を符号化フレームワークに導入する。
提案アルゴリズムは,ノード間の特定の対称接続を追加することにより,グリッド上の対称グラフを生成する。
実験により、SBGFTは、明示的な多重変換選択に統合された一次変換よりも優れていることが示された。
論文 参考訳（メタデータ） (2024-11-24T13:00:44Z) - Binarized Spectral Compressive Imaging [59.18636040850608]
ハイパースペクトル画像(HSI)再構成のための既存のディープラーニングモデルは、優れた性能を実現するが、膨大なメモリと計算資源を持つ強力なハードウェアを必要とする。
本稿では,BiSRNet(Biarized Spectral-Redistribution Network)を提案する。
BiSRNetは,提案手法を用いてベースモデルのバイナライズを行う。
論文 参考訳（メタデータ） (2023-05-17T15:36:08Z) - CSformer: Bridging Convolution and Transformer for Compressive Sensing [65.22377493627687]
本稿では,CNNからの詳細な空間情報を活用するためのハイブリッドフレームワークと,表現学習の強化を目的としたトランスフォーマーが提供するグローバルコンテキストを統合することを提案する。
提案手法は、適応的なサンプリングとリカバリからなるエンドツーエンドの圧縮画像センシング手法である。
実験により, 圧縮センシングにおける専用トランスアーキテクチャの有効性が示された。
論文 参考訳（メタデータ） (2021-12-31T04:37:11Z) - Distributed Deep Convolutional Compression for Massive MIMO CSI Feedback [9.959844922120524]
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、空間的多様性と多重化ゲインを達成するために、基地局(BS)のダウンリンクチャネル状態情報(CSI)を必要とする。
本稿では、畳み込み層と量子化およびエントロピー符号化ブロックからなるディープラーニング(DL)ベースのCSI圧縮スキームDeepCMCを提案する。
DeepCMCは、CSI品質とフィードバックオーバーヘッドの間のトレードオフを可能にする、重み付けされたレート歪みコストを最小限に抑えるように訓練されている。
論文 参考訳（メタデータ） (2020-03-07T12:33:31Z)
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。