[論文レビュー] Federated Learning for Channel Estimation in Conventional and IRS-Assisted Massive MIMO

Ahmet M. Elbir, Sinem Çöleri|arXiv (Cornell University)|Aug 25, 2020

Advanced Wireless Communication Technologies参考文献 58被引用数 49

ひとこと要約

本論文は、ユーザー端末でローカルに訓練された単一の畳み込みニューラルネットワーク（CNN）を用いて、従来型およびIRS支援型 massive MIMO システムにおけるチャネル推定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。この手法により、ベースステーションに生データを送信する必要がなくなり、通信オーバーヘッドが約16倍低減される。中央集権的学習と比較して通信オーバーヘッドを約16倍低減しながら、推定精度は中央集権的手法と同等に保たれ、最新の手法を上回る誤差性能を示す。

ABSTRACT

Machine learning (ML) has attracted a great research interest for the problems in the physical layer of wireless communications, such as channel estimation, thanks to its low computational complexity and robustness against imperfect channel data. Channel estimation via ML requires model training on a dataset, which usually includes the received pilot signals as input and channel data as output. In previous works, model training is mostly done in a centralized manner, where the whole training dataset is collected from the users at the base station (BS). This approach introduces huge transmission overhead for data collection from the users. In this paper, to address this challenge, we propose a federated learning (FL) framework for channel estimation. We design a convolutional neural network (CNN) trained on the local datasets of the users without sending them to the BS. We develop FL-based channel estimation schemes for both conventional and IRS (intelligent reflecting surface) assisted massive MIMO (multiple-input multiple-output) systems, where a single CNN is trained for two different datasets for both scenarios. Even if the IRS-assisted massive MIMO includes two different channels, namely the direct and cascaded channels, their estimation is performed with a single CNN, without using multiple CNNs for each task. Via numerical simulations, we evaluate the performance for noisy and quantized model transmission and show that the proposed approach provides approximately 16 times lower transmission overhead than the centralized learning (CL) schemes, while maintaining satisfactory channel estimation performance close to CL. Furthermore, the proposed CNN architecture exhibits lower estimation error than the state-of-the-art ML-based channel estimation schemes.

研究の動機と目的

• MLベースのチャネル推定における中央集権的データ収集に起因する高い通信オーバーヘッドを解消すること。
• ユーザー端末でモデルをローカルに訓練することで、生データを共有しないプライバシー保護型のチャネル推定を実現すること。
• IRS支援型 massive MIMO システムにおける直接チャネルとカスケードチャネルの両方を推定可能な統一されたCNNアーキテクチャの設計。
• 異なるチャネルタイプやシナリオに別々のCNNを導入する必要を回避することで、システムの複雑さを低減すること。
• 実際の無線環境におけるノイズや量子化されたモデル更新に対しても、フェデレーテッドラーニングの学習プロセスが安定するようにすること。

提案手法

• 各ユーザーが自らのパイロット信号およびチャネルデータを用いて、ベースステーションに生データを送信せずに共有されたCNNをローカルに訓練するフェデレーテッドラーニングフレームワークを提案する。
• 同じモデルパラメータから直接チャネル（従来型 massive MIMO）とカスケードチャネル（IRS支援型 massive MIMO）の両方を同時に推定できる単一のCNNアーキテクチャを設計する。
• ユーザーからのローカルモデル更新を用いて、ベースステーションでグローバルモデルを反復的に改善し、通信オーバーヘッドを最小限に抑える。
• FedAvgや類似のアルゴリズムを用いたモデルアグリゲーションを実装し、非独立同分布（non-IID）データ分布に対しても収束を保証する。
• 実際の無線環境を模倣するために、FL学習パイプラインにノイズおよび量子化モデルを統合する。
• パイロット信号を入力とし、チャネル状態情報（CSI）を出力とするようにCNNを訓練することで、エンドツーエンドのチャネル推定を実現する。

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を用いて、従来型およびIRS支援型 massive MIMO システムにおける直接チャネルとカスケードチャネルの両方を効果的に推定できる単一のCNNを訓練可能か？
• RQ2 提案手法のフェデレーテッドラーニングベースのチャネル推定方式は、中央集権的学習と比較して通信オーバーヘッドと推定精度の点でどのように異なるか？
• RQ3 ノイズや量子化されたモデル更新が、フェデレーテッドラーニングベースのチャネル推定フレームワークの性能に与える影響は何か？
• RQ4 提案手法は、既存の最先端のMLベースのチャネル推定技術を上回る低い推定誤差を達成できるか？
• RQ5 フェデレーテッドアプローチは、massive MIMO システムにおいて高いチャネル推定品質を維持しつつ、どの程度プライバシーを保護できるか？

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、中央集権的学習手法と比較して通信オーバーヘッドを約16倍低減した。
• ノイズや量子化されたモデル伝送条件下でも、提案手法のチャネル推定性能は中央集権的学習と同等に保たれる。
• 単一のCNNアーキテクチャは、最先端のMLベースのチャネル推定手法を上回る低い推定誤差を達成し、優れた精度を示した。
• 統一されたCNNは、別々のモデルを必要とせずに、IRS支援型 massive MIMO における直接チャネルとカスケードチャネルの両方を効果的に推定した。
• モデルの量子化やチャネルノイズといった実用的制約に対しても、FLフレームワークは高い性能を維持し、実世界への展開可能性を裏付けた。
• ユーザーの生データをベースステーションに送信する必要がなくなるため、本手法はプライバシー保護型のチャネル推定を実現した。