[論文レビュー] Channel Agnostic End-to-End Learning based Communication Systems with Conditional GAN

Hao Ye, Geoffrey Ye Li+2 more|arXiv (Cornell University)|Jul 2, 2018

Wireless Signal Modulation Classification参考文献 11被引用数 17

ひとこと要約

本稿では、チャネル状態情報（CSI）の事前知識を必要とせず、未知のチャネル効果をモデル化するため、条件付き生成対抗ネットワーク（cGAN）を用いたチャネルに依存しないエンドツーエンド通信システムを提案する。送信信号およびパイロット記号を条件としてcGANを設定することで、チャネル分布をエンドツーエンドで学習し、勾配逆伝播を未知のチャネルを経由せずに、AWGNおよびレイノルズフェージングチャネルにおいて従来手法と同等の性能を達成する。

ABSTRACT

In this article, we use deep neural networks (DNNs) to develop a wireless end-to-end communication system, in which DNNs are employed for all signal-related functionalities, such as encoding, decoding, modulation, and equalization. However, accurate instantaneous channel transfer function, \emph{i.e.}, the channel state information (CSI), is necessary to compute the gradient of the DNN representing. In many communication systems, the channel transfer function is hard to obtain in advance and varies with time and location. In this article, this constraint is released by developing a channel agnostic end-to-end system that does not rely on any prior information about the channel. We use a conditional generative adversarial net (GAN) to represent the channel effects, where the encoded signal of the transmitter will serve as the conditioning information. In addition, in order to deal with the time-varying channel, the received signal corresponding to the pilot data can also be added as a part of the conditioning information. From the simulation results, the proposed method is effective on additive white Gaussian noise (AWGN) and Rayleigh fading channels, which opens a new door for building data-driven communication systems.

研究の動機と目的

• エンドツーエンドのディープラーニング通信システムが、勾配逆伝播を実行するために正確な瞬時のチャネル状態情報（CSI）を必要とするという制限を克服すること。
• チャネル伝達関数の事前知識がなくても、送信機および受信機のDNNをエンドツーエンドでトレーニング可能にするため。
• 送信信号およびパイロットデータを条件として、未知のチャネル効果の分布を条件付きGANを用いてモデル化すること。
• レイノルズフェージングのような時間変動するチャネルに対しても、明示的なチャネルモデルなしで頑健な性能を達成すること。
• 完全にデータ駆動的でチャネルに依存しない通信システムが、従来のモデルベース通信手法と同等の性能を達成できることを示すこと。

提案手法

• チャネル出力分布をモデル化するために条件付きGANが用いられ、送信機の符号化信号が条件入力として与えられる。
• ジェネレータは、符号化信号に基づいて現実的なチャネル出力を合成する。時間変動する状況では、パイロット記号も含む。
• ディスクラミネータは、実際の送信からの真のチャネル出力と、ジェネレータが生成した合成出力を区別する。
• 送信機および受信機のDNNは、エンドツーエンド損失を用いて教師あり学習でトレーニングされ、チャネルジェネレータは対戦的（ adversarial ）にトレーニングされる。
• 時間変動するチャネルへの適応を可能にするために、パイロット記号を追加の条件情報として組み込む。
• 送信機、受信機、およびチャネルジェネレータの反復的トレーニングにより、未知のチャネルを経由する直接的な勾配計算なしにエンドツーエンド最適化が可能になる。

実験結果

リサーチクエスチョン

• RQ1 ディープラーニングベースの通信システムは、チャネル状態情報（CSI）の事前知識がなくてもエンドツーエンドでトレーニング可能か？
• RQ2 時間変動環境において、条件付きGANは未知のチャネル効果の分布をどの程度効果的にモデル化できるか？
• RQ3 提案されたチャネルに依存しないシステムは、AWGNおよびレイノルズフェージングのような標準的なチャネルで、従来のモデルベース通信手法と同等の性能を達成できるか？
• RQ4 パイロット記号を条件情報として組み込むことで、システムの時間変動するチャネルへの対処能力にどのような影響があるか？
• RQ5 チャネルが未知である場合でも、学習されたチャネルジェネレータを用いることで、バックプロパゲーションによる送信機および受信機のトレーニングが可能か？

主な発見

• 条件付きGANは、AWGNおよびレイノルズフェージングチャネルの両方の出力分布を成功裏にモデル化し、実際のチャネル出力と類似した合成信号の信号点配置を生成した。
• AWGNチャネルでは、最大尤度推定によるハミング(7,4)符号と同等のブロック誤り率（BLER）を達成した。
• レイノルズフェージングチャネルでは、明示的なチャネル推定がなくても、従来のモデルベース手法と同等のBLER性能を達成した。
• パイロット記号を条件情報として組み込むことで、モデルは時間変動するチャネル状態に適応でき、再構成精度が向上した。
• 解析的チャネルモデルや事前のCSIに依存せず、競争力のある性能を達成したエンドツーエンドシステムであり、完全にデータ駆動型通信システムの実現可能性を示した。
• cGANをチャネルの代理として用いることで、チャネルが未知であっても送信機の勾配ベーストレーニングが可能であることを示した。