[論文レビュー] Dilated Convolution based CSI Feedback Compression for Massive MIMO Systems

Shunpu Tang, Junjuan Xia+4 more|arXiv (Cornell University)|Jun 8, 2021

Advanced MIMO Systems Optimization被引用数 7

ひとこと要約

本稿では、畳み込みカーネルサイズを増大させずに受容 field を拡大するための拡張畳み込みを用いた、FDD massive MIMO システム向けの深層学習ベースのCSIフィードバック圧縮フレームワーク、DCRNetを提案する。本手法は、CsiNet よりも最大26%低いFLOPsで最先端の再構成性能を達成し、低複雑性の端末機器にとって非常に効率的である。

ABSTRACT

Although the frequency-division duplex (FDD) massive multiple-input multiple-output (MIMO) system can offer high spectral and energy efficiency, it requires to feedback the downlink channel state information (CSI) from users to the base station (BS), in order to fulfill the precoding design at the BS. However, the large dimension of CSI matrices in the massive MIMO system makes the CSI feedback very challenging, and it is urgent to compress the feedback CSI. To this end, this paper proposes a novel dilated convolution based CSI feedback network, namely DCRNet. Specifically, the dilated convolutions are used to enhance the receptive field (RF) of the proposed DCRNet without increasing the convolution size. Moreover, advanced encoder and decoder blocks are designed to improve the reconstruction performance and reduce computational complexity as well. Numerical results are presented to show the superiority of the proposed DCRNet over the conventional networks. In particular, the proposed DCRNet can achieve almost the state-of-the-arts (SOTA) performance with much lower floating point operations (FLOPs). The open source code and checkpoint of this work are available at https://github.com/recusant7/DCRNet.

研究の動機と目的

• 大規模な次元を持つCSI行列に起因するFDD massive MIMOシステムにおけるCSIフィードバックの高い計算量とフィードバックオーバーヘッドを解決すること。
• 伝統的な圧縮センシング手法の限界、例えばCSIのスパarsity依存性や反復処理に起因する高遅延を克服すること。
• 受容 field が限定的で計算複雑性が高いため、既存の深層学習ベースのCSI圧縮ネットワーク（例：CsiNet）を改善すること。
• 実用的な端末機器の制約下でも効率的なCSIフィードバックを可能にする、軽量かつ高性能なネットワークを設計すること。

提案手法

• エンコーダーとデコーダーの両ブロックに拡張畳み込みを採用し、カーネルサイズやパラメータ数を増加させずに受容 field を拡大する。
• 高精度な再構成を実現するとともに計算複雑性を最小限に抑えるために、高度なエンコーダーとデコーダーのブロックを統合する。
• DFTを用いてCSI行列を角周波数-遅延領域に変換し、事前にスパarsityを活用して圧縮性を向上させる。
• 拡張畳み込みを用いた深層オートエンコーダー構造を採用し、効率的なフィードバックのためのCSI行列のコンact表現を学習する。
• ネットワーク幅を幅拡張比（ρ）によって最適化し、性能とFLOPsのバランスを取ることで、低複雑性デバイスへの展開を可能にする。
• 再構成されたCSI行列と元のCSI行列間のNMSEを最小化するように、エンドツーエンドでネットワークを学習する。

Figure 1: Structure of the CSI feedback in massive MIMO system.

実験結果

リサーチクエスチョン

• RQ1 拡張畳み込みは、モデルの複雑性を増加させずにCSIフィードバックネットワークにおける受容 field を効果的に拡大できるか？
• RQ2 CsiNet や ACRNet といった最先端のネットワークと比較して、提案されたDCRNetは再構成精度と計算効率の面でどのように差をつけるか？
• RQ3 1/16 や 1/32 といった高い圧縮率下でも、FLOPsを低減させながら、ネットワークがどの程度高い性能を維持できるか？
• RQ4 エンコーダーとデコーダーの両方に拡張畳み込みを併用することで、エンコーダーでのみ使用するか、使用しない場合と比較して、より優れた性能が得られるか？
• RQ5 多様な伝搬環境（屋内／屋外）において、提案されたネットワークは顕著に低いFLOPsで準最先端の性能を達成できるか？

主な発見

• DCRNet-1× は、1/4の圧縮率において、CsiNet より26%低いFLOPs、CRNet より21%低いFLOPs、ACRNet-1× より12%低いFLOPsで最先端のNMSE性能を達成した。
• 屋内環境下では、DCRNet-1× はすべてのベースラインを上回り、最小限の計算コストで最先端の性能を達成した。
• 1/16の圧縮率において、DCRNet-10× はNMSE -14.18 dBを達成し、最高性能を示したACRNet-10× と比較して0.7 dB以内の差に留まり、顕著に低いFLOPsを実現した。
• DCRNet-8× は6.69M FLOPsでNMSE -13.52 dBを達成し、DS-NLCsiNet（-12.93 dB、4.98M FLOPs）を性能と効率の両面で上回った。
• アブレーションスタディの結果、エンコーダーとデコーダーの両方に拡張畳み込みを適用した場合が最良の再構成性能（屋内：1/16圧縮率でNMSE -11.74 dB、屋外：NMSE -5.60 dB）を示し、ベースラインやDCRNet-M1を上回った。
• ネットワークは屋内および屋外の両環境で強力な性能を維持しており、多様な伝搬環境への頑健性と適応性を示した。

Figure 2: Architecture of the proposed DCRNet, where (a) and (b) illustrate the structures of the encoder and decoder of DCRNet. In addition, the structures of the encoder block and decoder block in (a) and (b) are illustrated in (c) and (d) with $N_{a}=N_{t}=32$ , respectively. In general, the enco