[論文レビュー] Probabilistic Receiver Architecture Combining BP, MF, and EP for Multi-Signal Detection

Daniel J. Jakubisin, R. Michael Buehrer+1 more|arXiv (Cornell University)|Apr 17, 2016

Error Correcting Code Techniques参考文献 44被引用数 3

ひとこと要約

本稿では、MIMOおよびマルチユーザー環境におけるマルチシグナル検出のため、ベイズ的受信機アーキテクチャを提案する。このアーキテクチャは、信念伝搬（BP）、平均場（MF）近似、および期待値伝搬（EP）を統合しており、要因グラフを明確に分離した構造を採用している。具体的には、ガウス型BPをマルチシグナル検出に、MFをチャネル推定および観測に、離散的BPをデモジュレーションに割り当てることで、理論的裏付けと低計算量を両立した優れた検出性能を達成する。EPに基づく離散的および連続的領域間のメッセージ伝搬により、高性能かつ低複雑度な受信機が実現される。

ABSTRACT

Receiver algorithms which combine belief propagation (BP) with the mean field (MF) approximation are well-suited for inference of both continuous and discrete random variables. In wireless scenarios involving detection of multiple signals, the standard construction of the combined BP-MF framework includes the equalization or multi-user detection functions within the MF subgraph. In this paper, we show that the MF approximation is not particularly effective for multi-signal detection. We develop a new factor graph construction for application of the BP-MF framework to problems involving the detection of multiple signals. We then develop a low-complexity variant to the proposed construction in which Gaussian BP is applied to the equalization factors. In this case, the factor graph of the joint probability distribution is divided into three subgraphs: (i) a MF subgraph comprised of the observation factors and channel estimation, (ii) a Gaussian BP subgraph which is applied to multi-signal detection, and (iii) a discrete BP subgraph which is applied to demodulation and decoding. Expectation propagation is used to approximate discrete distributions with a Gaussian distribution and links the discrete BP and Gaussian BP subgraphs. The result is a probabilistic receiver architecture with strong theoretical justification which can be applied to multi-signal detection.

研究の動機と目的

• 信号分離タスクにおける有効でないMF近似のため、標準的なBP-MFフレームワークがマルチシグナル検出で性能を発揮できない問題に対処すること。
• 推論性能の向上を目的として、検出、チャネル推定、デモジュレーションを専用サブグラフに分離する要因グラフの構築法を開発すること。
• 等価化要因にガウス型BPを適用することで計算量を低減しつつ、確率的メッセージ伝搬を維持すること。
• 期待値伝搬（EP）を用いて離散的デモジュレーションと連続的検出サブグラフを接続し、正確なメッセージ交換を可能にすること。
• 理論的根拠に基づき、MIMOおよびマルチユーザー検出に適用可能な、低複雑度で高い性能を示す受信機アーキテクチャを提供すること。

提案手法

• 結合確率分布を3つのサブグラフに因子分解する：ガウス型BPサブグラフ（マルチシグナル検出）、MFサブグラフ（観測およびチャネル推定）、離散的BPサブグラフ（デモジュレーションおよび復号）。
• 期待値伝搬（EP）を用いて離散的分布をガウス分布に近似し、離散的BPサブグラフとガウス型BPサブグラフ間のメッセージ伝搬を可能にする。
• MFサブグラフから観測要因へのメッセージは、チャネル係数推定値と事前情報から導かれる後方分布の平均および分散を用いて計算される。
• ガウス型BPサブグラフは、チャネル状態情報および受信信号から導かれる近似十分統計量を用いて、送信シンボルの後方分布を計算する。
• MFサブグラフは、観測からの尤度と事前分布に基づき、共役事前分布とモーメントマッチングを用いてチャネル係数へのメッセージを計算する。
• その結果、サブグラフ間を繰り返しメッセージ伝搬が可能となり、領域ベース自由エネルギー枠組みにより収束が保証される。

実験結果

リサーチクエスチョン

• RQ1 BP-MF-EPハイブリッドフレームワークは、標準的なBP-MFアーキテクチャを上回る性能を示せるか？
• RQ2 MF近似は、干渉制限環境下におけるマルチシグナル検出に有効か？
• RQ3 要因グラフをどのように再構築すれば、検出、チャネル推定、デモジュレーションの分離を図り、性能向上を達成できるか？
• RQ4 等価化要因にガウス型BPを適用することで、計算量と精度にどのような影響が生じるか？
• RQ5 期待値伝搬は、ハイブリッド受信機アーキテクチャにおいて離散的および連続的メッセージ伝搬を効果的に接続できるか？

主な発見

• MF近似は、信号分離モデルにおける硬い制約を扱えないため、マルチシグナル検出に不適切であることが示された。
• 提案された要因グラフの分解により、標準的なBP-MFフレームワークに比べて顕著な検出性能の向上が達成された。
• 等価化要因にガウス型BPを適用することで、計算量を低減しつつマルチシグナル検出の高精度を維持できた。
• 期待値伝搬により、離散的デモジュレーションサブグラフと連続的検出サブグラフ間で正確かつ効率的なメッセージ交換が可能になった。
• 領域ベース自由エネルギー最小化により理論的裏付けが与えられ、近似の定常点への収束が保証された。
• 数値結果により、MIMOおよびマルチユーザー環境下でビット誤り率（BER）性能が向上し、特に低SNR領域で顕著な改善が得られた。