[論文レビュー] Machine Learning Based Channel Estimation: A Computational Approach for Universal Channel Conditions

Kai Mei, Jun Liu+2 more|arXiv (Cornell University)|Jan 1, 2019

Advanced Wireless Communication Techniques参考文献 15被引用数 15

ひとこと要約

本稿は、OFDMシステムにおける機械学習ベースのチャネル推定のためのサンプルサイズ要件について統計的分析を行い、訓練データサイズと推定性能の間の理論的関係を導出している。低複雑性および入力次元が低い条件下ではモデルが正確なサンプルサイズを予測できるが、現実の性能では構造的要因および複雑性要因が考慮されていないため、より大きなサンプルサイズを要することが示された。これは、準定常的かつ複雑なチャネル環境下でも本手法の有効性を裏付けるものである。

ABSTRACT

Recently, machine learning has been introduced in communications to deal with channel estimation. Under non-linear system models, the superiority of machine learning based estimation has been demonstrated by simulation expriments, but the theoretical analysis is not sufficient, since the performance of machine learning, especially deep learning, is hard to analyze. This paper focuses on some theoretical problems in machine learning based channel estimation. As a data-driven method, certain amount of training data is the prerequisite of a workable machine learning based estimation, and it is analyzed qualitively in a statistic view in this paper. To deduce the exact sample size, we build a statistic model ignoring the exact structure of the learning module and then the relationship between sample size and learning performance is derived. To testify our analysis, we employ machine learning based channel estimation in OFDM system and apply two typical neural networks as the learning module: single layer or linear structure and three layer structure. The simulation results show that the analysis sample size is correct when input dimension and complexity of learning module are low, but the true required sample size will be larger the analysis result otherwise, since the influence of the two factors is not considered in the analysis of sample size. Also, we simulate the performance of machine learning based channel estimation under quasi-stationary channel condition, where the explicit form of MMSE estimation is hard to obtain, and the simulation results exhibit the effectiveness and convenience of machine learning based channel estimation under complex channel models.

研究の動機と目的

• 機械学習ベースのチャネル推定における理論的分析の不足、特に非線形システムに対する課題を解決すること。
• 学習アーキテクチャに依存しない統計モデルを用いて、訓練サンプルサイズと推定性能の間の理論的関係を導出すること。
• 入力次元およびニューラルネットワークの複雑性の変動を想定して、導出されたサンプルサイズの実用的妥当性を評価すること。
• 従来のMMSE推定が実行不可能な準定常的チャネル環境下でも、機械学習ベースの推定が有効であることを示すこと。

提案手法

• 学習モジュールの構造を抽象化する統計モデルを構築し、サンプルサイズと推定性能の関係を分析する。
• 統計的学習の原則に基づき、学習モジュールをブラックボックスとして扱い、理論的サンプルサイズの閾値を導出する。
• OFDMベースのチャネル推定において、単層（線形）および三層（非線形）の二種類のニューラルネットワークアーキテクチャを学習モジュールとして採用する。
• 明示的なMMSE解が得られない準定常フェージングチャネル下でシミュレーションを実施し、性能を評価する。
• 理論的サンプルサイズ予測と実測性能を比較し、正確性を評価するとともに乖離要因を同定する。

実験結果

リサーチクエスチョン

• RQ1 一般条件下における有効な機械学習ベースのチャネル推定に必要な理論的最小サンプルサイズは何か？
• RQ2 入力次元およびニューラルネットワークの複雑性は、理論的値と実際の必要サンプルサイズの差をどのように影響するか？
• RQ3 MMSE推定が実行不可能な準定常チャネル環境下でも、機械学習ベースのチャネル推定は従来手法を上回る性能を示せるか？
• RQ4 学習モデルの複雑性が増加する際、理論的サンプルサイズ予測の妥当性はどの程度保たれるか？

主な発見

• 統計モデルから導出された理論的サンプルサイズは、入力次元およびモデル複雑性が低い場合には、必要なトレーニングデータを正確に予測できる。
• 入力次元が高くなるか、モデルがより複雑になると、実際の必要サンプルサイズは理論的予測を上回る。これは、未考慮の要因が影響していることを示唆する。
• 乖離の原因は、理論的分析が学習モジュールの構造的複雑性および非線形性を考慮していないことに起因する。
• 閉形式のMMSE解が不適切な準定常フェージングチャネル環境下でも、機械学習ベースのチャネル推定は有効かつ便利に機能する。
• シミュレーション結果から、本手法が複雑なチャネルモデル下でも頑健な性能を維持することが確認され、実用的有用性が裏付けられた。