[論文レビュー] Federated Deep Learning Framework For Hybrid Beamforming in mm-Wave Massive MIMO.

Ahmet M. Elbir, Sinem Çöleri|arXiv (Cornell University)|May 20, 2020

Millimeter-Wave Propagation and Modeling被引用数 3

ひとこと要約

本稿では、ミリ波大規模MIMOシステムにおけるハイブリッド beamforming のためのフェデレーテッドラーニング（FL）フレームワークを提案する。基地局は、ユーザーからの勾配更新のみを用いて畳み込みニューラルネットワーク（CNN）を学習し、生データの送信を回避することで、複雑さを低減し、チャネル推定誤差に対するロバスト性を向上させる。従来の機械学習と比較して、計算の複雑さが低く、よりロバストである。

ABSTRACT

Machine learning (ML) for wireless communications requires the training of a global model with a large dataset collected from the users. However, the transmission of a whole dataset between the users and the base station (BS) is computationally prohibitive. In this work, we introduce a federated learning (FL) based framework where the model training is performed at the BS by collecting only the gradients from the users. In particular, we design a convolutional neural network (CNN), whose input is the channel data and it yields the analog beamformers at the output. We have evaluated the performance of the proposed framework via numerical simulations and shown that FL is more tolerant than ML to the imperfections and corruptions in the channel data as well as having less complexity.

研究の動機と目的

• ミリ波大規模MIMOシステムにおける機械学習のための大型チャネルデータセットの送信に伴う計算およびプライバシーの課題に対処する。
• モデル学習中のユーザーと基地局間の通信オーバーヘッドを低減する。
• チャネル推定誤差およびデータ損傷に対するビームフォーミングモデルのロバスト性を向上させる。
• 実用的なミリ波システムに適した低複雑度かつプライバシー保護型の学習フレームワークを設計する。

提案手法

• 生のチャネルデータの代わりに勾配の交換を行うフェデレーテッドラーニング（FL）フレームワークを採用する。
• チャネル状態情報（CSI）を入力とし、アナログビームフォーマーを出力とする畳み込みニューラルネットワーク（CNN）を設計する。
• ユーザーのデータを保護しながら、複数のユーザーからの勾配を集約してグローバルモデルを学習する。
• ユーザーが局所的に勾配を計算し、それを基地局に送信してグローバルモデルを集約する集中型トレーニングパラダイムを採用する。
• ミリ波チャネルデータの空間的および周波数的特性を適切に扱えるように、CNNアーキテクチャを最適化する。
• グローバルモデルを反復的に更新するための標準的なFL集約技術（例：FedAvg）を適用する。

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、ミリ波大規模MIMOビームフォーミングのための深層学習モデルの学習における通信オーバーヘッドを低減できるか？
• RQ2 不完全または損傷を受けても、チャネル状態情報（CSI）が与えられた場合、FLベースのフレームワークはどのように動作するか？
• RQ3 提案されたFLフレームワークにおいて、モデルの精度と計算複雑度のトレードオフは何か？
• RQ4 集中型機械学習と比較して、FLアプローチはチャネル推定誤差に対してより優れたロバスト性を示すか？
• RQ5 ユーザー数やチャネル状態の変化に伴い、FLベースのビームフォーミングシステムの性能はどのようにスケーリングするか？

主な発見

• 提案されたフェデレーテッドラーニングフレームワークは、フルデータセットの送信ではなく勾配の送信に留めることで、通信オーバーヘッドを顕著に低減した。
• 従来の機械学習手法と比較して、FLベースのモデルはチャネル推定誤差やデータ損傷に対してより高い耐性を示した。
• CNNベースのビームフォーミング設計は、従来の手法と比較して低い計算複雑度で効果的なビームアライメントを達成した。
• 数値的シミュレーションにより、不完全なチャネル状態情報下でもFLフレームワークが高いビームフォーミングゲインを維持することが確認された。
• 生のチャネルデータがユーザー機器から一切送信されないため、ユーザーのデータプライバシーが確保された。
• 反復的な勾配集約によりグローバルモデルが効果的に収束し、集中学習に近い性能が達成された。