[논문 리뷰] Detection Algorithms for Communication Systems Using Deep Learning

Nariman Farsad, Andrea Goldsmith|arXiv (Cornell University)|2017. 05. 22.

Molecular Communication and Nanonetworks참고 문헌 23인용 수 123

한 줄 요약

논문은 채널 모델이 없어도 심볼을 탐지할 수 있도록 심층 학습 탐지기가 학습될 수 있음을 보이고, 분자(화학) 통신 실험에서 베이스라인 탐지기에 비해 BER이 크게 개선되었음을 보여줍니다.

ABSTRACT

The design and analysis of communication systems typically rely on the development of mathematical models that describe the underlying communication channel, which dictates the relationship between the transmitted and the received signals. However, in some systems, such as molecular communication systems where chemical signals are used for transfer of information, it is not possible to accurately model this relationship. In these scenarios, because of the lack of mathematical channel models, a completely new approach to design and analysis is required. In this work, we focus on one important aspect of communication systems, the detection algorithms, and demonstrate that by borrowing tools from deep learning, it is possible to train detectors that perform well, without any knowledge of the underlying channel models. We evaluate these algorithms using experimental data that is collected by a chemical communication platform, where the channel model is unknown and difficult to model analytically. We show that deep learning algorithms perform significantly better than a simple detector that was used in previous works, which also did not assume any knowledge of the channel.

연구 동기 및 목표

• 채널 모델이 알려지지 않거나 해결하기 어려운 경우, 특히 분자 통신에서의 탐지 알고리즘 설계 동기를 부여한다.
• 레이블된 전송 데이터로부터 직접 학습하는 심층 학습 기반 탐지기를 제안한다.
• 실험 데이터로 실제 심볼 단위 및 시퀀스 탐지 아키텍처를 평가한다.
• 후속 오류 수정에 대한 소프트 출력의 이점을 강조한다.
• 실험 채널 검증과 탐지기 설계 간의 간극을 줄인다.

제안 방법

• 전송된 심볼을 원-핫 표기로 분류 문제로 형식화한다.
• 전송 심볼 시퀀스와 수신 신호의 레이블이 있는 쌍을 사용해 심층 학습 분류기를 훈련한다.
• soft 출력의 가능도 추정을 최대화하기 위해 교차 엔트로피 손실을 사용한다.
• ISI 채널에 대해 심볼 단위 탐지기(Dense-Net 및 CNN-Net)와 시퀀스 탐지기(LSTM 및 양방향 LSTM)를 평가한다.
• BRNN/LSTM 아키텍처를 통해 여러 수신 심볼의 정보를 활용해 시퀀스 컨텍스트를 도입한다.
• 화학 채널의 pH 구간으로의 변화율 기준 탐지기와 비교한다.

실험 결과

연구 질문

• RQ1 알고리즘적 채널 모델 없이 학습된 탐지기가 미지의 채널에서 신뢰할 수한 심볼 탐지를 달성할 수 있는가?
• RQ2 분자 통신에서 비모델 기반 탐지기에 비해 심층 학습 탐지기의 성능 향상은 어느 정도인가?
• RQ3 ISI의 존재 하에서 심볼 단위 탐지기와 시퀀스 탐지기의 비교는 어떠한가?
• RQ4 시퀀스 길이가 BER에 영향을 미치며 양방향 아키텍처가 추가 이득을 제공할 수 있는가?

주요 결과

심볼 길이	Baseline	Dense-Net	CNN-Net	LSTM3-Net8	BiLSTM3-Net8	LSTM3-Net120	CNN-LSTM3-Net120
250	0.1297	0.1057	0.1068	0.0685	0.0496	0.0333	0.0677
334	0.0755	0.0245	0.0750	0.0207	0.0167	0.0417	0.0271
380	0.0797	0.0380	0.0589	0.0088	0.0019	0.0083	0.0026
500	0.0516	0.0115	0.0063	0.0049	0.0028	0.0005	0.0021

• 심층 학습 탐지기가 심볼 기간과 아키텍처 전반에서 베이스라인 비모델 탐지기보다 크게 우수하다.
• 심볼 단위 Dense-Net 및 CNN-Net은 BER를 현저히 감소시키며, CNN-Net이 종종 Dense-Net보다 우수하다.
• 시퀀스 탐지기(LSTM 기반)는 더 긴 시퀀스에서 BER를 크게 개선하며, BiLSTM은 단방향 LSTM보다 더 나은 성능을 보일 수 있지만 전체 시퀀스가 필요하다.
• 보고된 데이터에서 다양한 심볼 기간에 대한 BER은 LSTM 기반 및 CNN 기반 시퀀스 탐지기가 베이스라인보다 큰 이득을 보이며(예: 500 ms에서 BiLSTM3-Net8의 BER은 0.0005에 달함).
• 양방향 시퀀스 탐지기는 시퀀스 내의 이전 및 이후 심볼 정보를 활용하여 탐지를 더욱 향상시킨다.