[논문 리뷰] Deep Convolutional Compression for Massive MIMO CSI Feedback

Qianqian Yang, Mahdi Boloursaz Mashhadi외 1명|arXiv (Cornell University)|2019. 07. 02.

Advanced MIMO Systems Optimization참고 문헌 15인용 수 7

한 줄 요약

이 논문은 양자화와 엔트로피 코딩을 비율-왜곡 최적화 학습 프레임워크 내에 통합한 완전 컨volution 신경망 아키텍처인 DeepCMC를 제안한다. 이는 CSINet와 같은 최신 기법들보다 최대 5배의 피드백 비트 감소를 달성하며, 채널 차원당 0.16비트 미만에서 -13 dB 이하의 NMSE 성능을 확보한다.

ABSTRACT

Coded caching provides significant gains over conventional uncoded caching by creating multicasting opportunities among distinct requests. Massive multiple-input multiple-output (MIMO) systems require downlink channel state information (CSI) at the base station (BS) to better utilize the available spatial diversity and multiplexing gains. However, in a frequency division duplex (FDD) massive MIMO system, the huge CSI feedback overhead becomes restrictive and degrades the overall spectral efficiency. In this paper, we propose a deep learning based channel state matrix compression scheme, called DeepCMC, composed of convolutional layers followed by quantization and entropy coding blocks. In comparison with previous works, the main contributions of DeepCMC are two-fold: i) DeepCMC is fully convolutional, and it can be used in a wide range of scenarios with various numbers of sub-channels and transmit antennas; ii) DeepCMC includes quantization and entropy coding blocks and minimizes a cost function that accounts for both the rate of compression and the reconstruction quality of the channel matrix at the BS. Simulation results demonstrate that DeepCMC significantly outperforms the state of the art compression schemes in terms of the reconstruction quality of the channel state matrix for the same compression rate, measured in bits per channel dimension.

연구 동기 및 목표

• FDD 대량 MIMO 시스템에서 높은 CSI 피드백 오버헤드 문제를 해결하여 스펙트럼 효율성과 실용적 구현 가능성을 향상시키기 위해.
• 기존 딥러닝 기반 CSI 압축 기법들이 완전히 연결된 레이어에 의존하고 특정 입력 차원에 고정되어 있어 발생하는 한계를 극복하기 위해.
• 다양한 서브대역 수와 전송 안테나 수에 걸쳐도 높은 재구성 품질을 유지할 수 있는 유연하고 일반화 가능한 CSI 압축 프레임워크를 개발하기 위해.
• 비율-왜곡 손실 함수를 통해 양자화와 엔트로피 코딩을 통합하여 비율과 왜곡을 공동 최적화함으로써 압축 효율을 향상시키기 위해.
• 실용적 구현을 가능하게 하기 위해 피드백 비트를 줄이되, 5G 네트워크에서 신뢰할 수 있는 빔포밍을 위해 필수적인 높은 채널 재구성 정확도를 유지하기 위해.

제안 방법

• 완전히 컨volution 신경망(CNN) 기반의 인코더-디코더 아키텍처를 설계하여 완전히 연결된 레이어를 제거함으로써 다양한 MIMO 구성(예: $N_t$와 $N_c$의 변화)에 대응할 수 있도록 유연성을 확보하였다.
• 학습 가능한 양자화 및 엔트로피 코딩 블록을 네트워크 내부에 직접 통합하여, 비율-왜곡 목표 함수를 기반으로 한 엔드 투 엔드 학습이 가능하도록 하였다.
• 재구성 평균 제곱 오차(MSE)와 비트 수(채널 차원당)로 표현된 비율 항을 조합한 복합 손실 함수를 사용하여 네트워크를 최적화하였으며, 수식으로는 $ \text{Loss} = \text{MSE} + \beta \times \text{Rate} $ 로 기술하였다.
• 특징 학습과 학습 안정성을 향상시키기 위해 PReLu 활성화 함수를 사용한 잔차 블록과 스킵 연결을 도입하였다.
• 고정된 크기의 CSI 행렬($N_c=256$, $N_t=32$)에서 학습을 수행하였지만, 재학습 없이도 다른 차원에서의 일반화 성능을 평가하였다.
• 압축 효율을 향상시키기 위해 엔트로피 코더에서 근사 확률 모델을 활용하여 코드워드 길이를 최소화하였다.

실험 결과

연구 질문

• RQ1 완전히 컨볼루션된 딥러닝 아키텍처가 완전히 연결된 레이어를 갖는 오토인코더 기반 방법보다 더 뛰어난 CSI 압축 성능을 달성할 수 있는가?
• RQ2 학습 과정 내에 양자화와 엔트로피 코딩을 통합함으로써 CSI 피드백에서 비율-왜곡 트레이드오프가 얼마나 향상되는가?
• RQ3 특정 CSI 차원에서 학습된 네트워크가 다른 서브대역 수나 전송 안테나 수에 대해 얼마나 잘 일반화되는가?
• RQ4 제안된 비율-왜곡 최적화가 높은 재구성 품질을 유지하면서 피드백 비트를 상당히 줄이는 데 기여하는가?
• RQ5 NMSE와 피드백 비트 효율성 측면에서 CSINet와 같은 최신 기법들과 비교해 DeepCMC의 성능은 어떠한가?

주요 결과

• DeepCMC는 채널 차원당 피드백 비트 수가 0.16 이하일 때 NMSE가 -13 dB에 도달하며, CSINet를 크게 능가한다.
• -5 dB의 목표 NMSE를 위해 DeepCMC는 CSINet 대비 피드백 비트를 5배 이상 감소시켰으며, 이는 뛰어난 압축 효율성을 보여준다.
• 학습 시 사용한 크기($N_c=256$)의 절반인 서브대역 수 $N_c=128$인 CSI 행렬에 대해 테스트한 결과 성능 저하가 거의 없이 유지되어 강력한 일반화 능력을 입증한다.
• DeepCMC의 비트 비율-NMSE 트레이드오프 곡선은 CSINet보다 더 급격히 기울어져 제한된 피드백 비트를 더 효과적으로 활용하고 있음을 시사한다.
• PReLu 활성화 함수를 사용한 잔차 블록과 근사 확률 모델을 적용한 엔트로피 코딩이 재구성 품질 향상과 압축 성능 향상에 기여한다.
• 고정된 학습 설정($N_c=256$, $N_t=32$)에도 불구하고, $N_c=256$에서 상관계수($\rho$)가 0.9579를 기록하여 재구성된 CSI의 높은 정밀도를 입증한다.