[논문 리뷰] Federated Deep Learning Framework For Hybrid Beamforming in mm-Wave Massive MIMO.

Ahmet M. Elbir, Sinem Çöleri|arXiv (Cornell University)|2020. 05. 20.

Millimeter-Wave Propagation and Modeling인용 수 3

한 줄 요약

이 논문은 밀리미터파(millimeter wave, mm-Wave) 대량 MIMO 시스템에서 하이브리드 비트포밍을 위한 연합 학습(Federated Learning, FL) 프레임워크를 제안한다. 여기서 기지국은 사용자로부터 온 기울기 업데이트만을 사용하여 합성곱 신경망(Convolutional Neural Network, CNN)을 훈련하며, 원시 데이터 전송을 피한다. 이 방법은 기존의 머신 러닝 대비 복잡도를 감소시키고 채널 추정 오차에 대한 강건성을 향상시킨다.

ABSTRACT

Machine learning (ML) for wireless communications requires the training of a global model with a large dataset collected from the users. However, the transmission of a whole dataset between the users and the base station (BS) is computationally prohibitive. In this work, we introduce a federated learning (FL) based framework where the model training is performed at the BS by collecting only the gradients from the users. In particular, we design a convolutional neural network (CNN), whose input is the channel data and it yields the analog beamformers at the output. We have evaluated the performance of the proposed framework via numerical simulations and shown that FL is more tolerant than ML to the imperfections and corruptions in the channel data as well as having less complexity.

연구 동기 및 목표

• 밀리미터파 대량 MIMO 시스템의 머신 러닝에서 대규모 채널 데이터셋을 전송할 때 발생하는 계산 및 개인정보 보호 과제를 해결한다.
• 모델 훈련 중 사용자와 기지국 간의 통신 오버헤드를 감소시킨다.
• 채널 추정 오차 및 데이터 손상에 대한 비트포밍 모델의 강건성을 향상시킨다.
• 실제 밀리미터파 시스템에 적합한 저복잡도이자 개인정보 보호를 보장하는 훈련 프레임워크를 설계한다.

제안 방법

• 원시 채널 데이터 대신 기울기 업데이트만을 교환하는 연합 학습(Federated Learning, FL) 프레임워크를 활용한다.
• 채널 상태 정보를 입력으로 받아 아날로그 비트포머를 출력하는 합성곱 신경망(Convolutional Neural Network, CNN)을 설계한다.
• 사용자 데이터의 기밀성을 유지하면서도 기지국에서 다수의 사용자로부터 온 기울기의 집계를 통해 글로벌 모델을 훈련시킨다.
• 사용자가 로컬로 기울기를 계산하고 이를 기지국에 전송하여 글로벌 모델을 집계하는 중심화된 훈련 파рад림을 활용한다.
• 밀리미터파 채널 데이터의 공간적 및 주파수적 특성을 처리할 수 있도록 CNN 아키텍처를 최적화한다.
• 글로벌 모델을 반복적으로 업데이트하기 위해 표준 연합 학습 집계 기법(FedAvg 등)을 적용한다.

실험 결과

연구 질문

• RQ1 연합 학습은 밀리미터파 대량 MIMO 비트포밍을 위한 딥 러닝 모델 훈련에서 통신 오버헤드를 줄일 수 있는가?
• RQ2 불완전하거나 손상된 채널 상태 정보 하에서 연합 학습 기반 프레임워크는 어떻게 성능을 발휘하는가?
• RQ3 제안된 연합 학습 프레임워크에서 모델 정확도와 계산 복잡도 사이의 상충 관계는 어떠한가?
• RQ4 중앙집중식 머신 러닝 대비 연합 학습 접근법이 채널 추정 오차에 대해 더 높은 강건성을 제공하는가?
• RQ5 사용자 수와 채널 조건에 따라 연합 학습 기반 비트포밍 시스템의 성능은 어떻게 스케일링되는가?

주요 결과

• 제안된 연합 학습 프레임워크는 전체 데이터셋 대신 기울기만 전송하기 때문에 통신 오버헤드를 크게 감소시킨다.
• 기존의 머신 러닝 접근법에 비해 연합 학습 기반 모델은 채널 추정 오차 및 데이터 손상에 더 높은 내성을 보인다.
• CNN 기반의 비트포밍 설계는 기존 방법보다 낮은 계산 복잡도로 효과적인 비트포밍 정렬을 달성한다.
• 수치 시뮬레이션을 통해 연합 학습 프레임워크가 불완전한 채널 상태 정보 하에서도 높은 비트포밍 이득을 유지하는 것으로 확인되었다.
• 원시 채널 데이터가 사용자 장비 외부로 나가지 않도록 하여 사용자 데이터의 기밀성을 보장한다.
• 반복적인 기울기 집계를 통해 글로벌 모델이 효과적으로 수렴하며, 중심화된 훈련 성능에 가까운 성능을 달성한다.