[論文レビュー] Deep UL2DL: Channel Knowledge Transfer from Uplink to Downlink

Mohammad S. Safari, Vahid Pourahmadi+1 more|arXiv (Cornell University)|Dec 16, 2018

Millimeter-Wave Propagation and Modeling参考文献 32被引用数 16

ひとこと要約

本稿では、フィードバックを伴わずにFDDシステムにおけるダウンリンクチャネル状態情報（CSI）をアップリンクCSIから予測するデータ駆動型ディープラーニングフレームワーク、Deep UL2DLを提案する。畳み込みニューラルネットワーク（CNN）と生成対抗ネットワーク（GAN）を用い、特にバウンダリー・エクイリブリウムGAN（BEGAN）を活用して、EVAおよびETUのマルチパス環境において、アップリンクチャネルからダウンリンクCSIを正確に推定するための潜在的伝搬特性を学習する。低NMSEを達成する。

ABSTRACT

Knowledge of the channel state information (CSI) at the transmitter side is one of the primary sources of information that can be used for the efficient allocation of wireless resources. Obtaining downlink (DL) CSI in Frequency Division Duplexing (FDD) systems from uplink (UL) CSI is not as straightforward as in TDD systems. Therefore, users usually feed the DL-CSI back to the transmitter. To remove the need for feedback (and thus having less signaling overhead), we propose to use two recent deep neural network structures, i.e., convolutional neural networks and generative adversarial networks (GANs) to infer the DL-CSI by observing the UL-CSI. The core idea of our data-driven scheme is exploiting the fact that both DL and UL channels share the same propagation environment. As such, we extracted the environment information from the UL channel response to a latent domain and then transferred the derived environment information from the latent domain to predict the DL channel. To overcome incorrect latent domain and the problem of oversimplistic assumptions, in this work, we did not use any specific parametric model and instead used data-driven approaches to discover the underlying structure of data without any prior model assumptions. To overcome the challenge of capturing the UL-DL joint distribution, we used a mean square error-based variant of the GAN structure with improved convergence properties called boundary equilibrium GAN (BEGAN). For training and testing we used simulated data of Extended Vehicular-A (EVA) and Extended Typical Urban (ETU) models. Simulation results verified that our methods can accurately infer and predict the downlink CSI from the uplink CSI for different multipath environments in FDD communications.

研究の動機と目的

• ユーザーからダウンリンクCSIのフィードバックが必要なFDDシステムにおける高いフィードバックオーバーヘッドと遅延を解消する。
• 周波数に依存しないパスロスやAOA-AODの差が小さいといった制限的な仮定に依存する既存のパrametric手法の限界を克服する。
• 事前のチャネルモデルを必要とせず、アップリンクチャネル観測値に基づいて正確なデータ駆動型のダウンリンクCSI予測を可能にする。
• FDD massive MIMOシステムにおける異なるマルチパス環境およびユーザー速度に一般化可能なフレームワークを開発する。

提案手法

• 畳み込みニューラルネットワークを用いて、アップリンクCSIから伝搬環境特徴を抽出するための潜在的ドメイン表現を採用する。
• バウンダリー・エクイリブリウムGAN（BEGAN）アーキテクチャを用いて、アップリンクおよびダウンリンクチャネルの同時分布をモデル化し、訓練の安定性と収束性を向上させる。
• EVAおよびETUチャネルモデルのシミュレーションデータ上で、パラメトリックな仮定を事前に与えずに、アップリンクからダウンリンクCSIへのマッピングをエンドツーエンドで学習する。
• MIMOに拡張する際には、各送信受信アンテナペアを独立したリンクとして扱い、単一ペアの学習から全MIMOチャネルを予測可能にする。
• EVAおよびETUデータを連結して学習することで、1つのマルチ環境ネットワークを訓練し、異なる伝搬状況への一般化を可能にする。
• 異なるユーザー速度での一般化をテストするために、訓練時とは異なる速度（例：50 km/hの訓練、他の速度でのテスト）で学習済みモデルを評価する。

実験結果

リサーチクエスチョン

• RQ1 フィードバックやパrametricな仮定を明示的に必要としないデータ駆動型ディープラーニングモデルは、FDDシステムにおいてアップリンクCSIからダウンリンクCSIを正確に予測できるか？
• RQ2 CNNベースの直接予測手法とGANベースの生成的アプローチの間で、ダウンリンクCSI予測性能にどのような差が生じるか？
• RQ3 1つのディープラーニングモデルが、異なる伝搬環境（例：EVA対ETU）およびユーザー速度にどの程度一般化できるか？
• RQ4 チャネルの相互性やビームフォーミングの仮定に依存せず、EVAおよびETUのような複雑なマルチパス環境で低NMSEを達成できるか？

主な発見

• 提案されたBEGANベースの生成的アプローチは、ETU 2×2 MIMOチャネルでNMSE 0.0359を達成し、複雑なマルチパス構造の効果的なモデル化を示した。
• CNNベースの直接的アプローチは、EVA 2×2 MIMOチャネルでNMSE 0.0108を達成し、比較的単純な環境でも優れた性能を示した。
• EVAおよびETUモデルの両方で学習した1つのネットワークが、個別のモデル誤差の間の中間的な一般化性能を達成した。これは、クロス環境能力を裏付けた。
• 訓練時とは異なるユーザー速度でテストした場合でも、学習済みモデルが高い予測精度を維持した。これは、移動性の変動に対して頑健であることを示した。
• アップリンクCSIのみを用いて、時間、周波数、MIMOの次元すべてにわたる完全なダウンリンクCSIを予測可能であり、フィードバックオーバーヘッドを排除した。
• シミュレーション結果から、従来のパrametric手法とは異なり、周波数に依存しないパスロスのような現実的でない仮定を避けることで、データ駆動型アプローチが優れた性能を発揮することが確認された。