[論文レビュー] Distributionally Robust Receive Combining

shirdel, bizhan|arXiv (Cornell University)|Jan 22, 2024

Direction-of-Arrival Estimation Techniques被引用数 4

ひとこと要約

本稿では、無線信号ビームフォーミングおよび推定のための分布的ロバストな機械学習フレームワークを提案する。このフレームワークは、線形および非線形ビームフォーマーを1つのロバスト最適化構造に統合し、明示的なチャネル推定の必要性を排除する。リッジ回帰およびカーネルリッジ回帰が分布的ロバストであることを証明し、対角線のローディングや不確実性を考慮した推定器（例：カーネル化された対角線のローディング）が、パイロットが限られている状況およびノイズ共分散、チャネル行列、外れ値などの複数の不確実性下で性能を著しく向上させることを示している。

ABSTRACT

This article investigates signal estimation in wireless transmission (i.e., receive combining) from the perspective of statistical machine learning, where the transmit signals may be from an integrated sensing and communication system; that is, 1) signals may be not only discrete constellation points but also arbitrary complex values; 2) signals may be spatially correlated. Particular attention is paid to handling various uncertainties such as the uncertainty of the transmit signal covariance, the uncertainty of the channel matrix, the uncertainty of the channel noise covariance, the existence of channel impulse noises, the non-ideality of the power amplifiers, and the limited sample size of pilots. To proceed, a distributionally robust receive combining framework that is insensitive to the above uncertainties is proposed, which reveals that channel estimation is not a necessary operation. For optimal linear estimation, the proposed framework includes several existing combiners as special cases such as diagonal loading and eigenvalue thresholding. For optimal nonlinear estimation, estimators are limited in reproducing kernel Hilbert spaces and neural network function spaces, and corresponding uncertainty-aware solutions (e.g., kernelized diagonal loading) are derived. In addition, we prove that the ridge and kernel ridge regression methods in machine learning are distributionally robust against diagonal perturbation in feature covariance.

研究の動機と目的

• 無線信号推定における複数の不確実性を扱える1つのロバスト最適化フレームワークとして、既存の線形および非線形ビームフォーマーを統合すること。
• ビームフォーミングと推定を分布的ロバストな学習問題として定式化することで、明示的なチャネル推定の必要性を排除すること。
• 対角線のローディングや固有値のしきい値処理といった古典的手法を、理論的裏付けをもって分布的ロバストな設定に一般化すること。
• 再生核ヒルバート空間（RKHS）およびニューラルネットワーク関数空間に制限することで、非線形推定器に対してもロバスト性理論を拡張すること。
• 信号共分散の不確実性、チャネル行列の不確実性、ノイズ共分散の不確実性、インパulseノイズ（外れ値）、およびパイロット標本数の制限という複数の要因を統合的に扱えるフレームワークを提供すること。

提案手法

• 信号とノイズの同時分布のあいまいさ集合上での分布的ロバスト最適化問題として、ビームフォーミングと信号推定を定式化する。
• Fノルムに基づく不確実性集合を用いて、信号およびノイズ共分散における分布的摂動を定量化し、モデル不確実性に対するロバスト性を実現する。
• 正則化最小二乗法による最適線形推定器を導出し、特徴共分散における対角摂動下でリッジ回帰が分布的ロバストであることを証明する。
• 推定器を再生核ヒルバート空間（RKHS）に制限することで非線形推定に一般化し、カーネル化された対角線のローディングおよびカーネルリッジ回帰を特別なケースとして得る。
• 非自明なFノルム不確実性集合を用いた分布的ロバストなウィーナー・ビームフォーマー（Wnr-DR）を提案し、理論的および実践的両面で標準的な対角線のローディングを上回ることを示す。
• 交差検証を用いてハイパーパrameterチューニング（例：対角線のローディングにおけるε）を実施し、過剰な保守的または不十分な正則化を回避する。

実験結果

リサーチクエスチョン

• RQ1 どのようにして、古典的手法（例：ウィーナー、カポン、ZF）と最新のデータ駆動型推定器（例：カーネル、ニューラルネットワーク）を1つのロバスト学習フレームワークに統合できるか？
• RQ2 信号およびノイズ共分散の不確実性が存在する中で、リッジ回帰と分布的ロバスト性の理論的関係は何か？
• RQ3 対角線のローディングのロバスト性を非線形推定器に拡張し、パイロットデータが限られている状況および外れ値下で性能を向上させることは可能か？
• RQ4 チャネル推定は実際にいつ必要であり、いつ直接的な分布的ロバスト推定によって回避可能か？
• RQ5 異なる不確実性評価戦略（例：自明な対比非自明なFノルム集合）は、ビームフォーマーの性能および計算コストにどのように影響するか？

主な発見

• 非自明なFノルム不確実性集合を用いたウィーナー-DRビームフォーマーは、シナリオ2（パイロットサイズ = 20）でMSE = 38.18を達成し、標準的なウィーナー・ビームフォーマー（MSE = 41.42）およびウィーナー-DL（MSE = 41.29）を上回った。
• カーネルベースのビームフォーマー（MSE = 37.20）およびカーネル-DL（MSE = 34.87）は、インパulseノイズおよび非ガウス信号モデル下で線形ビームフォーマーを著しく上回り、非線形ロバスト性の利点を示した。
• 対角線のローディングが施されたビームフォーマー（例：Wnr-DL、Capon-DL、Kernel-DL）は、すべてのシナリオにおいて非対角線のローディングを施した対応するものよりも一貫して優れた性能を示し、データ不足および不確実性に対する対角線のローディングのロバスト性を確認した。
• ウィーナー-DRビームフォーマーは、ウィーナー-DL（2.60e-5秒）よりも高い計算コスト（3.51秒）を要するため、ロバスト性と効率性のトレードオフが生じており、リソース制限のあるシステムではウィーナー-DLがより実用的であることが示された。
• 特徴共分散における対角摂動下で、リッジ回帰およびカーネルリッジ回帰が分布的ロバストであることが証明され、不確実な無線環境におけるこれらの手法の使用に理論的根拠が与えられた。
• ニューラルネットワークベースのビームフォーマーは、表現力に優れるが、提案された11種類のビームフォーマーと比較して著しく計算コストが高く、チューニングも難しく、大規模アレイアンテナではスケーラビリティに制限がある。