[논문 리뷰] Federated Learning for Channel Estimation in Conventional and IRS-Assisted Massive MIMO

Ahmet M. Elbir, Sinem Çöleri|arXiv (Cornell University)|2020. 08. 25.

Advanced Wireless Communication Technologies참고 문헌 58인용 수 49

한 줄 요약

이 논문은 사용자 장치에서 로컬로 훈련된 단일 합성곱 신경망(CNN)을 사용하여 전통적 및 IRS 보조 대량 MIMO 시스템에서 채널 추정을 위한 분산 학습(FL) 프레임워크를 제안한다. 이는 기본국에 원시 데이터를 전송할 필요 없이, 전송 오버헤드를 약 16배 감소시키며, 중심 집중 학습 방식과 유사한 정확도를 유지하면서도 최신 기술 대비 오차 성능에서 뛰어난 성능을 발휘한다.

ABSTRACT

Machine learning (ML) has attracted a great research interest for the problems in the physical layer of wireless communications, such as channel estimation, thanks to its low computational complexity and robustness against imperfect channel data. Channel estimation via ML requires model training on a dataset, which usually includes the received pilot signals as input and channel data as output. In previous works, model training is mostly done in a centralized manner, where the whole training dataset is collected from the users at the base station (BS). This approach introduces huge transmission overhead for data collection from the users. In this paper, to address this challenge, we propose a federated learning (FL) framework for channel estimation. We design a convolutional neural network (CNN) trained on the local datasets of the users without sending them to the BS. We develop FL-based channel estimation schemes for both conventional and IRS (intelligent reflecting surface) assisted massive MIMO (multiple-input multiple-output) systems, where a single CNN is trained for two different datasets for both scenarios. Even if the IRS-assisted massive MIMO includes two different channels, namely the direct and cascaded channels, their estimation is performed with a single CNN, without using multiple CNNs for each task. Via numerical simulations, we evaluate the performance for noisy and quantized model transmission and show that the proposed approach provides approximately 16 times lower transmission overhead than the centralized learning (CL) schemes, while maintaining satisfactory channel estimation performance close to CL. Furthermore, the proposed CNN architecture exhibits lower estimation error than the state-of-the-art ML-based channel estimation schemes.

연구 동기 및 목표

• 머신러닝 기반 채널 추정에서 중심 집중적 데이터 수집으로 인한 높은 전송 오버헤드 문제를 해결한다.
• 사용자 장치에서 원시 데이터를 공유하지 않고 로컬로 모델을 훈련시켜 기밀 보장을 위한 채널 추정을 가능하게 한다.
• IRS 보조 대량 MIMO 시스템에서 직접 채널과 계단식 채널을 모두 추정할 수 있는 통합 CNN 아키텍처를 설계한다.
• 다양한 채널 유형이나 시나리오에 대해 별도의 CNN을 사용하지 않음으로써 시스템 복잡도를 감소시킨다.
• 실제 무선 환경에서의 노이즈 및 양자화된 모델 업데이트에 대해 강건성을 확보한다.

제안 방법

• 각 사용자가 자신의 파ilot 신호 및 채널 데이터에서 공유된 CNN을 로컬로 훈련시키되, 원시 데이터셋을 기본국에 전송하지 않는 분산 학습 프레임워크를 제안한다.
• 동일한 모델 파rameter를 사용하여 직접 채널(전통적 대량 MIMO)과 계단식 채널(IRS 보조 대량 MIMO)을 동시에 추정할 수 있는 단일 CNN 아키텍처를 설계한다.
• 사용자로부터 온 로컬 모델 업데이트를 활용해 기본국에서 글로벌 모델을 반복적으로 개선함으로써 통신 오버헤드를 최소화한다.
• FedAvg 또는 유사 알고리즘을 사용한 모델 집약을 통한 FL을 구현하여, 비독립 동일분포(non-IID) 데이터 분포 상황에서도 수렴 가능성을 확보한다.
• 실제 무선 환경을 시뮬레이션하기 위해 FL 훈련 파이프라인에 노이즈 및 양자화 모델을 통합한다.
• 파ilot 신호를 입력으로, 채널 상태 정보를 출력으로 사용하여 엔드 투 엔드 채널 추정을 가능하게 한다.

실험 결과

연구 질문

• RQ1 분산 학습을 통해 단일 CNN이 전통적 및 IRS 보조 대량 MIMO 시스템에서 직접 채널과 계단식 채널을 효과적으로 추정할 수 있는가?
• RQ2 제안된 FL 기반 채널 추정 방식은 전송 오버헤드와 추정 정확도 측면에서 중심 집중 학습과 비교해 어떻게 성능을 내는가?
• RQ3 노이즈 및 양자화된 모델 업데이트가 FL 기반 채널 추정 프레임워크 성능에 미치는 영향은 무엇인가?
• RQ4 제안된 방법이 기존 최신 기술 대비 더 낮은 추정 오차를 달성할 수 있는가?
• RQ5 분산 학습 방식은 대량 MIMO 시스템에서 고도의 채널 추정 정확도를 유지하면서 기밀 보장을 얼마나 잘 보장하는가?

주요 결과

• 제안된 분산 학습 프레임워크는 중심 집중 학습 방식 대비 약 16배 전송 오버헤드를 감소시킨다.
• 노이즈 및 양자화된 모델 전송 조건 하에서도 제안된 방법의 채널 추정 성능은 중심 집중 학습과 유사한 수준을 유지한다.
• 단일 CNN 아키텍처는 최신 기술 대비 더 낮은 추정 오차를 달성하여 뛰어난 정확도를 입증한다.
• 통합 CNN은 별도의 모델 없이도 IRS 보조 대량 MIMO에서 직접 채널과 계단식 채널을 효과적으로 추정한다.
• 실제 환경의 제약 조건인 모델 양자화 및 채널 노이즈에 대해 강건한 성능을 유지하여 실용적 구현 가능성 검증을 완료했다.
• 기본국에 원시 사용자 데이터를 전송할 필요 없이 기밀 보장을 위한 채널 추정을 가능하게 한다.