[論文レビュー] Multi-resolution CSI Feedback with deep learning in Massive MIMO System

Zhilin Lu, Jintao Wang+1 more|arXiv (Cornell University)|Oct 31, 2019

Advanced MIMO Systems Optimization参考文献 17被引用数 10

ひとこと要約

本稿では、インセプションモジュールを模倣したCRBlockを用いたマルチスケール特徴抽出と畳み込み因子分解を活用することで、再構成精度を向上させる、マッハ・ミMOシステム向けのマルチリゾリューションチャネル状態情報（CSI）フィードバックネットワークであるCRNetを提案する。暖め上げ付きコサイン学習率スケジューラを用いた高度なトレーニングスキームにより、計算複雑度が同一の条件下でCsiNetよりも顕著に低いNMSEを達成し、追加情報なしに優れた性能を示す。

ABSTRACT

In massive multiple-input multiple-output (MIMO) system, user equipment (UE) needs to send downlink channel state information (CSI) back to base station (BS). However, the feedback becomes expensive with the growing complexity of CSI in massive MIMO system. Recently, deep learning (DL) approaches are used to improve the reconstruction efficiency of CSI feedback. In this paper, a novel feedback network named CRNet is proposed to achieve better performance via extracting CSI features on multiple resolutions. An advanced training scheme that further boosts the network performance is also introduced. Simulation results show that the proposed CRNet outperforms the state-of-the-art CsiNet under the same computational complexity without any extra information. The open source codes are available at https://github.com/Kylin9511/CRNet

研究の動機と目的

• 大きなCSI行列次元に起因するマッハ・ミMOシステムにおける高いフィードバックオーバーヘッドを解消すること。
• FDDマッハ・ミMOにおけるCSI再構成精度を向上させるために、効率的な圧縮のためのディープラーニングを活用すること。
• さまざまなチャネル状態や圧縮レートにわたる一般化性能を向上させるために、マルチリゾリューションCSI特徴を効果的に捉えるニューラルネットワークアーキテクチャを設計すること。
• 計算コストを増加させることなくモデルの収束性と性能を向上させる高度なトレーニングスキームを開発すること。
• アーキテクチャ的革新とトレーニング戦略の統合が、CsiNetのような最先端手法を上回る優れた性能をもたらすことを実証すること。

提案手法

• インセプションモジュールを模倣したマルチリゾリューションCRBlockを用いた、複数スケールの特徴抽出を可能にする新規ディープニューラルネットワークであるCRNetを提案する。
• 畳み込み因子分解を用いて、浮動小数点演算（flops）を増加させることなく空間的リゾリューションを拡張する。
• トレーニングの安定性と収束性を向上させるために、暖め上げ付きコサイン学習率スケジューラを導入する。
• エンドツーエンドのCSI再構成を実現するため、エンコーダ・デコーダ構造に残差接続を適用する。
• チャネルのスパarsityを活用するため、離散フーリエ変換（DFT）を用いてCSIを空間周波数領域から角度遅延領域に変換する。
• トレーニングの安定性と性能を向上させるために、最適化された負の勾配（0.3）を有するLeaky ReLU活性化関数を採用する。

実験結果

リサーチクエスチョン

• RQ1 単一スケールネットワークと比較して、マルチリゾリューションディープラーニングアーキテクチャはマッハ・ミMOシステムにおけるCSIフィードバック性能を向上させることができるか？
• RQ2 CSIフィードバックにおいて、計算複雑度を増加させずに畳み込み因子分解がどのように性能向上に寄与するか？
• RQ3 暖め上げ付きコサイン学習率スケジューリングなどの高度なトレーニングスキームは、CSIフィードバックタスクにおけるモデル性能を顕著に向上させるか？
• RQ4 同じ計算制約下で、提案されたCRNetはCsiNetのような最先端手法をどの程度上回るか？
• RQ5 Leaky ReLUの負の勾配やヘッド畳み込みの設計といったハイパーパrameterに、CRNetの性能はどの程度感受性を示すか？

主な発見

• 計算複雑度が同一の条件下で、CRNetはCsiNetよりも顕著に低いNMSEを達成しており、1/4の圧縮レートにおける屋内環境では最大3.2 dBの性能向上を示す。
• 2500エポックで実行される高度なトレーニングスキームとコサイン学習率スケジューリングにより、標準的なトレーニングに比べてNMSEがより効果的に低減される。CRNetでは損失関数が収束を続ける一方で、CsiNetでは損失が頭打ちになる。
• CRNetに5×5のヘッド畳み込み層を採用することで、その削除と比較して約1.5 dBの性能向上が得られるが、マルチリゾリューションアーキテクチャの頑健さのため、その効果は限定的である。
• Leaky ReLUの負の勾配が0.3のときが最良の性能を示す。これより小さい勾配（例：0.01）は最適化を阻害し、性能を低下させる。
• CRNetのマルチリゾリューション設計により、さまざまなシナリオにおける性能変動が低減され、トレーニングの進行に伴いNMSEの変動が減少する傾向を示しており、安定性の向上が確認される。
• 提案されたトレーニングスキームは過学習の低減に効果的であり、CsiNetおよびCRNetの両方において、トレーニング損失とテスト損失の曲線が密接に一致していることが観察される。