[논문 리뷰] Distributionally Robust Receive Combining

shirdel, bizhan|arXiv (Cornell University)|2024. 01. 22.

Direction-of-Arrival Estimation Techniques인용 수 4

한 줄 요약

이 논문은 모델 불확실성과 제한된 피LOT 자료를 고려하여 무선 신호 빔포밍 및 추정을 위한 분포로 부터의 강건한 기계학습 프레임워크를 제안한다. 이는 선형 및 비선형 빔포머를 하나의 강건 최적화 구조 아래 통합하여 명시적 채널 추정이 필요 없도록 한다. 릿지 회귀와 커널 릿지 회귀가 분포로 부터의 강건성임을 증명하고, 대각선 로딩 및 불확실성 인식 추정기(예: 커널화된 대각선 로딩)가 피LOT 자료가 제한적일 때 소음 공분산, 채널 행렬, 이상치 등 여러 불확실성 하에서 성능을 크게 향상시킴을 보여준다.

ABSTRACT

This article investigates signal estimation in wireless transmission (i.e., receive combining) from the perspective of statistical machine learning, where the transmit signals may be from an integrated sensing and communication system; that is, 1) signals may be not only discrete constellation points but also arbitrary complex values; 2) signals may be spatially correlated. Particular attention is paid to handling various uncertainties such as the uncertainty of the transmit signal covariance, the uncertainty of the channel matrix, the uncertainty of the channel noise covariance, the existence of channel impulse noises, the non-ideality of the power amplifiers, and the limited sample size of pilots. To proceed, a distributionally robust receive combining framework that is insensitive to the above uncertainties is proposed, which reveals that channel estimation is not a necessary operation. For optimal linear estimation, the proposed framework includes several existing combiners as special cases such as diagonal loading and eigenvalue thresholding. For optimal nonlinear estimation, estimators are limited in reproducing kernel Hilbert spaces and neural network function spaces, and corresponding uncertainty-aware solutions (e.g., kernelized diagonal loading) are derived. In addition, we prove that the ridge and kernel ridge regression methods in machine learning are distributionally robust against diagonal perturbation in feature covariance.

연구 동기 및 목표

• 무선 신호 추정에서 다수의 불확실성을 다룰 수 있는 단일 강건 최적화 프레임워크 내에서 기존의 선형 및 비선형 빔포머를 통합하는 것.
• 채널 추정을 명시적으로 필요로 하지 않도록 빔포밍과 추정을 분포로 부터의 강건 학습 문제로 재구성함으로써 이를 제거하는 것.
• 기존의 방법들인 대각선 로딩 및 고유값 임계 처리를 이론적 근거를 바탕으로 분포로 부터의 강건 설정으로 일반화하는 것.
• 재생 핵 힐베르트 공간과 신경망 함수 공간에 제약을 두어 비선형 추정기의 강건성 이론을 확장하는 것.
• 신호 공분산 불확실성, 채널 행렬 불확실성, 소음 공분산 불확실성, 임펄스 노이즈(이상치), 제한된 피LOT 샘플 크기 등을 모두 다룰 수 있는 통합 프레임워크를 제공하는 것.

제안 방법

• 신호 및 노이즈 분포의 불확실성 집합(의심 집합) 위에서 빔포밍과 신호 추정을 분포로 부터의 강건 최적화 문제로 공식화한다.
• F-노름 기반의 불확실성 집합을 사용하여 신호 및 노이즈 공분산의 분포 변화를 정량화함으로써 모델 불확실성에 대한 강건성을 확보한다.
• 정규화된 최소 제곱법 공식화를 통해 최적의 선형 추정기를 유도하고, 특징 공분산에 대한 대각선 변화가 있는 경우 릿지 회귀가 분포로 부터의 강건성임을 증명한다.
• 추정기를 재생 핵 힐베르트 공간(RKHS)에 제약을 두어 비선형 추정으로 일반화하고, 이로 인해 커널화된 대각선 로딩과 커널 릿지 회귀가 특수한 경우로 도출됨을 보여준다.
• 비트리비어의 F-노름 불확실성 집합을 사용한 분포로 부터의 강건 위너 빔포머(Wnr-DR)를 제안하며, 이는 이론적·실제로 표준 대각선 로딩을 능가한다.
• 과도한 보수성 또는 과소 정규화를 피하기 위해 교차 검증을 사용하여 하이퍼파rameter 조정(예: 대각선 로딩의 ε)을 수행한다.

실험 결과

연구 질문

• RQ1 어떻게 기존의 선형 빔포머(예: 위너, 캡온, ZF)와 현대적인 데이터 기반 추정기(예: 커널, 신경망)를 단일 강건 학습 프레임워크 아래 통합할 수 있는가?
• RQ2 신호 및 노이즈 공분산 불확실성이 존재할 때 릿지 회귀와 분포로 부터의 강건성 간의 이론적 연관성은 무엇인가?
• RQ3 대각선 로딩의 강건성을 비선형 추정기로 확장하고, 피LOT 자료가 제한적일 때 이상치와 함께 성능을 향상시킬 수 있는가?
• RQ4 채널 추정이 실제로 필요한 조건은 무엇이며, 언제 직접 분포로 부터의 강건 추정을 통해 이를 회피할 수 있는가?
• RQ5 다양한 불확실성 정량화 전략(예: 비어 있는 vs. 비어 있지 않은 F-노름 집합)은 빔포머의 성능과 계산 비용에 어떤 영향을 미치는가?

주요 결과

• 비어 있지 않은 F-노름 불확실성 집합을 사용한 위너-DR 빔포머는 시나리오 2(피LOT 크기 = 20)에서 MSE 38.18을 달성하여 표준 위너 빔포머(MSE = 41.42)와 위너-DL(MSE = 41.29)를 능가한다.
• 커널 기반 빔포머(MSE = 37.20)와 커널-DL(MSE = 34.87)는 임펄스 노이즈와 비정규 분포 신호 모델 하에서 선형 빔포머보다 뚜렷이 뛰어난 성능을 보이며, 비선형 강건성의 이점을 입증한다.
• 대각선 로딩된 빔포머(예: Wnr-DL, Capon-DL, Kernel-DL)는 모든 시나리오에서 대각선 로딩이 되지 않은 대비를 일관되게 뛰어나며, 데이터 부족성과 불확실성에 대한 대각선 로딩의 강건성을 확인한다.
• 위너-DR 빔포머는 위너-DL(2.60e-5 초)보다 높은 계산 비용(3.51 초)을 가지며, 이는 강건성과 효율성 사이의 상충 관계를 시사하며, 자원 제약이 있는 시스템에서는 위너-DL가 더 실용적임을 나타낸다.
• 릿지 회귀와 커널 릿지 회귀가 특징 공분산에 대한 대각선 변화 하에서 분포로 부터의 강건성임을 증명하여, 이들이 불확실한 무선 환경에서 사용될 수 있도록 이론적 기반을 제공한다.
• 신경망 기반 빔포머는 더 높은 표현 능력을 지니지만, 제안된 11종의 빔포머보다 훨씬 계산 비용이 높고 튜닝이 더 어려워 대규모 안테나 어레이에서는 확장성에 한계가 있다.