[논문 리뷰] Channel Agnostic End-to-End Learning based Communication Systems with Conditional GAN

Hao Ye, Geoffrey Ye Li외 2명|arXiv (Cornell University)|2018. 07. 02.

Wireless Signal Modulation Classification참고 문헌 11인용 수 17

한 줄 요약

이 논문은 채널 상태 정보(CSI)에 대한 사전 지식이 필요 없이 미지의 채널 효과를 모델링하는 조건부 생성 적대 신경망(cGAN)을 사용하여 채널에 의존하지 않는 엔드 투 엔드 통신 시스템을 제안한다. 전송 신호와 파ilot 심벌을 조건으로 삼아 cGAN을 조건화함으로써, 시스템은 엔드 투 엔드로 채널 분포를 학습하며, 그로 인해 기존 방법과 유사한 성능을 달성한다. 이는 알려지지 않은 채널을 통해 기울기 역전파를 수행하지 않아도 된다.

ABSTRACT

In this article, we use deep neural networks (DNNs) to develop a wireless end-to-end communication system, in which DNNs are employed for all signal-related functionalities, such as encoding, decoding, modulation, and equalization. However, accurate instantaneous channel transfer function, \emph{i.e.}, the channel state information (CSI), is necessary to compute the gradient of the DNN representing. In many communication systems, the channel transfer function is hard to obtain in advance and varies with time and location. In this article, this constraint is released by developing a channel agnostic end-to-end system that does not rely on any prior information about the channel. We use a conditional generative adversarial net (GAN) to represent the channel effects, where the encoded signal of the transmitter will serve as the conditioning information. In addition, in order to deal with the time-varying channel, the received signal corresponding to the pilot data can also be added as a part of the conditioning information. From the simulation results, the proposed method is effective on additive white Gaussian noise (AWGN) and Rayleigh fading channels, which opens a new door for building data-driven communication systems.

연구 동기 및 목표

• 기울기 역전파를 위해 정확한 순간 채널 상태 정보(CSI)가 필요한 엔드 투 엔드 딥 러닝 기반 통신 시스템의 한계를 극복하기 위해.
• 채널 전달 함수에 대한 사전 지식 없이 송신기 및 수신기 DNN의 엔드 투 엔드 학습을 가능하게 하기 위해.
• 전송된 신호와 파ilot 데이터를 조건으로 삼아, 조건부 GAN을 사용하여 미지의 채널 효과의 분포를 모델링하기 위해.
• 시간에 따라 변화하는 채널, 예를 들어 레이일리 fading 채널에서도 명시적인 채널 모델링 없이도 강건한 성능을 달성하기 위해.
• 순수하게 데이터 기반의 채널에 의존하지 않는 통신 시스템이 기존의 모델 기반 방법과 유사한 성능을 달성할 수 있음을 보여주기 위해.

제안 방법

• 채널 출력 분포를 모델링하기 위해 조건부 GAN을 사용하며, 조건 입력으로 송신기의 인코딩된 신호를 사용한다.
• 생성기는 인코딩된 신호와, 시간에 따라 변화하는 경우 파ilot 심벌을 기반으로 실제적인 채널 출력을 합성한다.
• 판별기는 실제 채널 출력(실제 전송에서 얻은 것)과 생성기에서 생성된 가짜 출력을 구분한다.
• 송신기 및 수신기 DNN는 엔드 투 엔드 손실을 사용하여 지도 학습 방식으로 학습되며, 채널 생성기는 적대적 방식으로 학습된다.
• 시간에 따라 변화하는 채널에 적응하기 위해 파ilot 심벌을 추가적인 조건 입력으로 통합한다.
• 송신기, 수신기, 채널 생성기를 반복적으로 학습시킴으로써, 알려지지 않은 채널을 직접 통한 기울기 계산 없이 엔드 투 엔드 최적화를 달성한다.

실험 결과

연구 질문

• RQ1 딥 러닝 기반의 통신 시스템이 채널 상태 정보(CSI)에 대한 사전 지식 없이 엔드 투 엔드로 학습될 수 있는가?
• RQ2 조건부 GAN이 시간에 따라 변화하는 환경에서 미지의 채널 효과의 분포를 얼마나 효과적으로 모델링할 수 있는가?
• RQ3 제안된 채널에 의존하지 않는 시스템이 표준 채널인 AWGN 및 레이일리 페이딩 채널에서 기존의 모델 기반 통신 시스템과 유사한 성능을 달성할 수 있는가?
• RQ4 파ilot 심벌을 조건 입력으로 포함시키는 것이 시간에 따라 변화하는 채널을 다룰 수 있는 시스템의 능력에 어떤 영향을 미치는가?
• RQ5 채널이 알려지지 않았을 때, 학습된 채널 생성기를 사용하여 기울기 역전파를 통해 송신기 및 수신기를 학습하는 것이 가능한가?

주요 결과

• 조건부 GAN은 AWGN 및 레이일리 페이딩 채널의 출력 분포를 성공적으로 모델링하여, 실제 채널 출력과 매우 유사한 합성 신호 상자( constellation )를 생성한다.
• AWGN 채널에서 제안된 방법은 최대우도 디코딩을 사용하는 허밍(7,4) 코드와 유사한 블록 오류율(BLER)을 달성한다.
• 레이일리 페이딩 채널에서 시스템은 명시적인 채널 추정 없이도 기존의 모델 기반 방법과 유사한 BLER 성능을 달성한다.
• 파ilot 심벌을 조건 입력으로 포함시킴으로써 모델은 시간에 따라 변화하는 채널 조건에 적응할 수 있으며 재구성 정확도가 향상된다.
• 분석적 채널 모델이나 사전 CSI에 의존하지 않고도 경쟁 가능한 성능을 달성함으로써 순수한 데이터 기반 통신 시스템의 실현 가능성을 입증한다.
• 채널이 알려지지 않았을 때도 cGAN을 채널의 대체 모델로 사용함으로써 송신기의 기울기 기반 학습이 가능해진다.