[論文レビュー] Federated Channel Learning for Intelligent Reflecting Surfaces With Fewer Pilot Signals

Ahmet M. Elbir, Sinem Çöleri+1 more|arXiv (Cornell University)|May 6, 2022

Advanced Wireless Communication Technologies参考文献 24被引用数 6

ひとこと要約

本稿では、インテリジェントリフレクティングサーフェス（IRS）を支援する massive MIMO システムに対して、フェデレーテッドラーニング（FL）に基づくチャネル推定フレームワークを提案する。この手法は、より少ないパイロット信号を用いて直接チャネルとカスケードチャネルを同時に推定する。ユーザー端末上でローカルに1つの畳み込みニューラルネットワーク（CNN）を訓練し、基地局ではモデルの更新情報のみを集約することで、集中学習に比べて送信オーバーヘッドを約12倍削減する。性能は集中学習に近く、パイロット信号を60%も減らした状態で、最先端のディープラーニング手法を上回る。

ABSTRACT

Channel estimation is a critical task in intelligent reflecting surface (IRS)-assisted wireless systems due to the uncertainties imposed by environment dynamics and rapid changes in the IRS configuration. To deal with these uncertainties, deep learning (DL) approaches have been proposed. Previous works consider centralized learning (CL) approach for model training, which entails the collection of the whole training dataset from the users at the base station (BS), hence introducing huge transmission overhead for data collection. To address this challenge, this paper proposes a federated learning (FL) framework to jointly estimate both direct and cascaded channels in IRS-assisted wireless systems. We design a single convolutional neural network trained on the local datasets of the users without sending them to the BS. We show that the proposed FL-based channel estimation approach requires approximately 60% fewer pilot signals and it exhibits 12 times lower transmission overhead than CL, while maintaining satisfactory performance close to CL. In addition, it provides lower estimation error than the state-of-the-art DL-based schemes.

研究の動機と目的

• IRS支援システムにおける集中型ディープラーニング（DL）ベースのチャネル推定における高い送信オーバーヘッドとプライバシー懸念を解決すること。
• 従来の手法が、基地局（BS）のアンテナ数と等しい数のパイロット信号を必要としているという制限を克服すること。
• 生データを送信せずに、ユーザー間で共有されたCNNモデルを訓練することで、分散型でプライバシーを守ったチャネル推定を可能にすること。
• 従来のモデルベースおよびディープラーニング手法よりも顕著に少ないパイロット信号で、高い精度のチャネル推定を達成すること。
• フェデレーテッドラーニングが、低パイロットおよび低オーバーヘッド環境において、最先端のDLベースの手法を上回ることを実証すること。

提案手法

• フェデレーテッドラーニング（FL）を用いて訓練された単一のCNNアーキテクチャを提案し、IRS支援 massive MIMO システムにおいて、直接チャネルとカスケードチャネルを同時に推定する。
• 各ユーザーは、自らのパイロット信号とチャネル状態情報のデータセット上でCNNをローカルに訓練し、生データではなくモデル勾配のみを基地局に送信する。
• 基地局は、FedAvgを用いてローカルなモデル更新を集約し、更新されたグローバルモデルをユーザーに再配布して反復的トレーニングを実行する。
• CNNアーキテクチャは、3×3のカーネルサイズとReLU活性化関数を備えた畳み込み層に続き、全結合層を含む構成であり、限られたパイロット入力からの有効な特徴抽出を可能にする。
• 行列逆行列の計算を回避し、スパースなパイロット入力から完全なチャネル行列への非線形マッピングを学習することで、計算複雑度を低減する。
• SGDとモーメンタムを用い、100ラウンドのトレーニングを実施。200のチャネル実現値から生成された768,000組の入出力ペアを用いたデータセットを活用。

実験結果

リサーチクエスチョン

• RQ1 フェデレーテッドラーニングは、集中学習に比べ、IRSチャネル推定における送信オーバーヘッドを低減できるか？
• RQ2 FLを用いて訓練された単一のCNNは、顕著に少ないパイロット信号で集中学習と同等の性能を達成できるか？
• RQ3 提案されたFLベースの手法は、低パイロット環境下で、既存のディープラーニングベースのチャネル推定手法を上回るか？
• RQ4 SNRとパイロットオーバーヘッドの変化に伴い、IRS支援システムにおけるFLベース手法の性能はどのように変化するか？
• RQ5 分散型で訓練された非線形ディープラーニングモデルは、スパースなパイロットフィードバックから、完全なチャネル行列を効果的に再構築できるか？

主な発見

• 提案されたFLベースのチャネル推定手法は、集中学習（CL）に比べて送信オーバーヘッドを約12倍削減し、TFL = 9.6×10⁸ に対し TCL = 1.1×10¹⁰ となった。
• モデルベース手法に比べ、必要なパイロット信号を60%削減し、¯M < M（パイロット数 < 基地局アンテナ数）の状況でも良好な性能を示した。
• SNR ≤ 25 dB の範囲では、FLベースのCNNがCLとほぼ同等のNMSE性能を達成し、SNR ≥ 15 dB でNMSE ≤ 0.01の信頼性の高い推定が可能となった。
• 特に低SNRおよび低パイロット環境下で、最先端のSF-CNNモデルを上回る性能を示した。これは、より良い特徴マッピングを可能にする全結合層の統合によるものである。
• ノイズの多い入力に対してもモデルのロバスト性を維持し、SNR 20、25、30 dB の3つのレベルで、1チャンネル実現あたり160のノイズ付き実現値を用いて性能を検証した。
• 検証用RMSEは、トレーニング中に安定した収束を示し、ユーザー間でのFLで学習されたモデルの一般化能力が有効であることを示した。