[論文レビュー] Deep Learning based End-to-End Wireless Communication Systems with Conditional GAN as Unknown Channel

Hao Ye, Le Liang+2 more|arXiv (Cornell University)|Mar 6, 2019

Wireless Signal Modulation Classification参考文献 29被引用数 11

ひとこと要約

本論文は、チャネル状態情報（CSI）を明示的に必要とせず、未知のチャネル効果を条件付きGANを用いてモデル化するエンドツーエンドのディーブラーニングベースの無線通信システムを提案する。パイロットシンボルを条件としてGANを設定することで、受信機から送信機への勾配誤差逆伝播が可能となり、送信機と受信機のDNNを共同で学習可能となる。本手法は、AWGN、レイリー fading、周波数選択的チャネルのあらゆる環境で、従来手法と同等またはそれ以上の性能を達成しており、特にトレーニングとテストの分布不一致が生じる状況下でも安定した性能を示す。

ABSTRACT

In this article, we develop an end-to-end wireless communication system using deep neural networks (DNNs), in which DNNs are employed to perform several key functions, including encoding, decoding, modulation, and demodulation. However, an accurate estimation of instantaneous channel transfer function, i.e., channel state information (CSI), is needed in order for the transmitter DNN to learn to optimize the receiver gain in decoding. This is very much a challenge since CSI varies with time and location in wireless communications and is hard to obtain when designing transceivers. We propose to use a conditional generative adversarial net (GAN) to represent channel effects and to bridge the transmitter DNN and the receiver DNN so that the gradient of the transmitter DNN can be back-propagated from the receiver DNN. In particular, a conditional GAN is employed to model the channel effects in a data-driven way, where the received signal corresponding to the pilot symbols is added as a part of the conditioning information of the GAN. To address the curse of dimensionality when the transmit symbol sequence is long, convolutional layers are utilized. From the simulation results, the proposed method is effective on additive white Gaussian noise (AWGN) channels, Rayleigh fading channels, and frequency-selective channels, which opens a new door for building data-driven DNNs for end-to-end communication systems.

研究の動機と目的

• 正確なチャネル状態情報（CSI）が得られない状況下で、エンドツーエンドのディープニューラルネットワーク（DNN）ベースのトランシーバーを学習するという課題に対処すること。これは、勾配誤差逆伝播を妨げる。
• 解析的チャネルモデルに依存せずに、データ駆動型のアプローチにより未知かつ時間変動する無線チャネル効果をモデル化すること。
• 長パケット長通信システムにおける次元の呪いを、畳み込み層を用いることで軽減すること。
• トレーニングとテストのチャネル間の分布シフトに強く、ロバストなエンドツーエンド学習を実現すること。
• 多様な無線伝搬環境に一般化可能な完全にデータ駆動型の通信システムの構築の可能性を示すこと。

提案手法

• チャネルを条件付き分布としてモデル化するために、条件付き生成対抗ネットワーク（cGAN）を用いる。条件入力として受信パイロットシンボルを採用する。
• トレーニング中にcGANが現実的なチャネル効果を生成することで、未知のチャネル変動に対しても受信機DNNが頑健な復調を学習可能となる。
• 送信機と受信機はディープニューラルネットワーク（DNN）として実装され、cGANがそれらの間に挿入されることで、誤差逆伝播中に勾配の流れを維持する。
• 長コードワードシーケンスの次元の呪いを軽減するために、畳み込みニューラルネットワーク（CNN）層を採用する。
• ノイズを隠れ層に注入してチャネル効果を模擬しながら、教師ありのエンドツーエンド損失関数を用いて学習を実施する。
• パイロットシンボルをcGANの入力として用いることで、チャネル固有の出力を生成し、モデルが即時のチャネル状態に適応可能となる。

実験結果

リサーチクエスチョン

• RQ1 条件付きGANは、エンドツーエンドのディープラーニング通信システムにおいて、未知かつ時間変動する無線チャネル効果を効果的にモデル化できるか？
• RQ2 CSIが入手不可な状況下で、受信機DNNから送信機DNNへの勾配誤差逆伝播をどのように維持できるか？
• RQ3 提案手法は、多様なチャネルタイプにおいて、熟練者が設計したモデルに基づく従来手法と同等の性能を達成できるか？
• RQ4 トレーニングとテストのチャネル間で分布シフト（例えば、異なるパワー遅延プロファイル）が生じた場合、モデルのロバストネスはどの程度高いか？
• RQ5 長パケット長にスケーリングする場合、次元の呪いに苦しまずに性能を維持できるか？

主な発見

• 提案されたエンドツーエンドシステムは、AWGNチャネルにおいて最大尤度復号を用いたハミング(7,4)符号と同等のビット誤り率（BER）およびブロック誤り率（BLER）性能を達成した。
• 大容量ブロックサイズ（64ビットおよび100ビット）において、AWGNチャネルの高SNR領域で、再帰的システム的畳み込み（RSC）符号化を上回る性能を示した。
• レイリー fading チャネルでは、1/2レートのQAM変復調とRSC符号化を用いた従来手法と同等のBERおよびBLER性能を達成した。
• 周波数選択的マルチパスチャネルでは、SNRが7 dBを超えると、OFDMベースのシステムを著しく上回った。
• 指数関数的パワー遅延プロファイル（PDP）で学習したモデルは、平坦PDPでのテストにも良好に一般化し、チャネル分布の不一致に対しても強いロバストネスを示した。
• パイロットシンボルを条件入力として用いることで、cGANは正確でチャネル固有のチャネル効果を生成でき、効果的な逆伝播と共同学習を可能にした。