[論文レビュー] DRF Codes: Deep SNR-Robust Feedback Codes

Mahdi Boloursaz Mashhadi, Denız Gündüz+2 more|arXiv (Cornell University)|Dec 22, 2021

Advanced Wireless Communication Techniques被引用数 8

ひとこと要約

本稿では、ノイズのある出力フィードバックを伴う fading チャネル向けに、DNNに基づくチャネル符号化方式である Deep SNR-Robust Feedback (DRF) コードを提案する。LSTM を用いたエンコーダーが過去のチャネル出力を活用し、SNR に適応するアテンション機構を備えた双方向 LSTM デコーダーを採用することで、広い SNR 範囲にわたり優れた誤り率性能とロバスト性を達成し、先行する DNN に基づく符号化方式を上回り、マルチキャストおよび fading 環境におけるフィードバックの効率的利用を可能にする。

ABSTRACT

We present a new deep-neural-network (DNN) based error correction code for fading channels with output feedback, called deep SNR-robust feedback (DRF) code. At the encoder, parity symbols are generated by a long short term memory (LSTM) network based on the message as well as the past forward channel outputs observed by the transmitter in a noisy fashion. The decoder uses a bi-directional LSTM architecture along with a signal to noise ratio (SNR)-aware attention NN to decode the message. The proposed code overcomes two major shortcomings of the previously proposed DNN-based codes over channels with passive output feedback: (i) the SNR-aware attention mechanism at the decoder enables reliable application of the same trained NN over a wide range of SNR values; (ii) curriculum training with batch-size scheduling is used to speed up and stabilize training while improving the SNR-robustness of the resulting code. We show that the DRF codes significantly outperform state-of-the-art in terms of both the SNR-robustness and the error rate in additive white Gaussian noise (AWGN) channel with feedback. In fading channels with perfect phase compensation at the receiver, DRF codes learn to efficiently exploit knowledge of the instantaneous fading amplitude (which is available to the encoder through feedback) to reduce the overhead and complexity associated with channel estimation at the decoder. Finally, we show the effectiveness of DRF codes in multicast channels with feedback, where linear feedback codes are known to be strictly suboptimal.

研究の動機と目的

• 時間変動する無線環境において、DNN に基づく符号化方式が SNR の不一致に極めて敏感であるという、顕著な制限を克服すること。
• 単一の SNR で学習された DNN コードが、さまざまな SNR 条件に適用された際の不安定性および性能劣化を是正すること。
• エンコーダーが瞬時の fading 知識を活用できるようにすることで、フィードバックの効率的利用を実現し、デコーディングの複雑さを低減すること。
• 線形フィードバック符号が厳密に劣っていると知られているマルチキャスト環境への DNN に基づく符号化方式の適用範囲を拡大すること。
• 個々の SNR に対して別々のモデルを必要とせず、多様な SNR 範囲にわたる一般化性とロバスト性を向上させる学習フレームワークの開発

提案手法

• エンコーダーは、送信側で観測されたメッセージとノイズのある過去の前方チャネル出力を用いて、長短記憶ネットワーク（LSTM）を用いてパリティ記号を生成する。
• デコーダーは、2層構造の双方向 LSTM アーキテクチャに加え、SNR に適応するアテンション機構を組み合わせ、変動するチャネル SNR 条件に動的に適応する。
• 学習の安定化と SNR にロバストな性能向上を図るため、モデル学習中にバッチサイズスケジューリングを用いたカリキュラム学習を適用する。
• 損失関数は、デコーダーにおけるバイナリクロスエントロピー損失の合計として定義され、誤り訂正性能の共同最適化を可能にする。
• マルチキャストチャネルへの一般化は、エンコーダーを複数の受信機からのフィードバックを受け入れるように変更し、デコーダーを複数の出力ストリームを同時に処理できるように学習することで実現する。
• スペクトル効率は $\mathrm{SE}_{r} = \frac{K \times (1 - \mathrm{BLER}_{r})}{L}$ で計算され、ここで $K$ はビット数、$L$ はブロック長、$\mathrm{BLER}_{r}$ は受信機 $r$ におけるブロック誤り率を表す。

実験結果

リサーチクエスチョン

• RQ1 再トレーニングやモデル切り替えを伴わずに、DNN に基づく符号化方式を広い SNR 範囲にわたりロバストに保てるか？
• RQ2 DNN エンコーダーは、フィードバックから得られる瞬時の fading 知識をどれほど効果的に活用し、デコーディングの複雑さとオーバーヘッドを低減できるか？
• RQ3 線形符号が劣っていると知られているフィードバック付きマルチキャストチャネルにおいて、DNN に基づく符号化方式はどれほど信頼性を向上させられるか？
• RQ4 バッチサイズスケジューリングを用いたカリキュラム学習は、DNN に基づくフィードバック符号の SNR にロバストな性能と収束安定性を顕著に向上させるか？
• RQ5 複数の受信機における前方チャネルノイズ系列間の相関が、統合された DNN に基づくマルチキャスト符号の性能にどのように影響するか？

主な発見

• DRF コードは、コードレート $r = 50/153$、ブロック長 $L = 50$ の条件下で、AWGN チャネルにフィードバックを伴い、先行する DNN に基づく符号化方式（Deepcode や DEF コード）と比較して、顕著に低いブロック誤り率（BLER）を達成する。
• SNR に適応するアテンション機構により、同じトレーニング済みの DRF コードが広い SNR 範囲にわたり高い信頼性を維持でき、複数の SNR 専用モデルの必要性がなくなる。
• 2 つの受信機を伴うマルチキャスト環境では、前方ノイズ系列が正に相関している場合（$\epsilon = 0.9$）、理論限界値 $50/153 \approx 0.3268$ に近いスペクトル効率を達成する。
• 前方ノイズ系列が相関がない場合（$\epsilon = 0$）には性能が劣化し、特にノイズが独立している状況で最大の性能損失が生じる。これは、エンコーダーが両受信機の誤り訂正性能を妥協する必要があるためである。
• 前方ノイズ系列が負に相関している場合（$\epsilon = -0.9$）には、スペクトル効率がさらに低下し、逆相関ノイズ下での符号化の困難さが顕著に増加することが示された。
• DRF コードフレームワークは 2 人以上の受信機にも一般化可能であり、エンコーダーを複数の受信機からのフィードバックを処理できるように変更し、デコーダーを複数の出力ストリームを同時に処理できるように学習することで実現される。