[논문 리뷰] HoloFed: Environment-Adaptive Positioning via Multi-band Reconfigurable Holographic Surfaces and Federated Learning

Jingzhi Hu, Zhe Chen외 3명|arXiv (Cornell University)|2023. 10. 10.

Indoor and Outdoor Localization TechnologiesEngineering인용 수 3

한 줄 요약

HoloFed는 다중 대역 재구성 가능 허브릭성 표면(MB-RHS)과 분산 학습(FL)을 활용하여 고정밀도이고 환경 적응형인 사용자 위치 측정 시스템을 제안한다. Cramér-Rao 하한(CRLB)을 통해 디지털 및 아날로그 비음향 설계를 최적화하여 위치 측정 오차를 최소화하고, FL을 통해 개인정보 보호를 보장하면서 다양한 환경에서 협업형 모델 적응을 실현하여 기준 대비 위치 측정 오차 분산을 57% 감소시키며, 분산 학습을 통한 약 95%의 MSE 감소를 달성한다.

ABSTRACT

Positioning is an essential service for various applications and is expected to be integrated with existing communication infrastructures in 5G and 6G. Though current Wi-Fi and cellular base stations (BSs) can be used to support this integration, the resulting precision is unsatisfactory due to the lack of precise control of the wireless signals. Recently, BSs adopting reconfigurable holographic surfaces (RHSs) have been advocated for positioning as RHSs' large number of antenna elements enable generation of arbitrary and highly-focused signal beam patterns. However, existing designs face two major challenges: i) RHSs only have limited operating bandwidth, and ii) the positioning methods cannot adapt to the diverse environments encountered in practice. To overcome these challenges, we present HoloFed, a system providing high-precision environment-adaptive user positioning services by exploiting multi-band(MB)-RHS and federated learning (FL). For improving the positioning performance, a lower bound on the error variance is obtained and utilized for guiding MB-RHS's digital and analog beamforming design. For better adaptability while preserving privacy, an FL framework is proposed for users to collaboratively train a position estimator, where we exploit the transfer learning technique to handle the lack of position labels of the users. Moreover, a scheduling algorithm for the BS to select which users train the position estimator is designed, jointly considering the convergence and efficiency of FL. Our simulation results confirm that HoloFed achieves a 57% lower positioning error variance compared to a beam-scanning baseline and can effectively adapt to diverse environments.

연구 동기 및 목표

• 기존 무선 인프라의 신호 제어 및 대역폭 제한으로 인해 GPS가 제공되지 않는 환경에서 낮은 위치 측정 정확도 문제를 해결하기 위해.
• 단일 대역 재구성 가능 허브릭성 표면(RHS)의 제약으로 인해 동적인 또는 다양한 전파 환경에서 성능이 제한되는 문제를 해결하기 위해.
• 분산된 사용자 간의 협업형 모델 훈련을 가능하게 하여 사용자 개인정보를 훼손하지 않으면서도 환경에 적응하는 위치 측정을 가능하게 하기 위해.
• Cramér-Rao 하한(CRLB)을 성능 지침으로 삼아 다중 대역 RHS 시스템에서의 비음향 설계 최적화를 통해 위치 측정 오차 분산을 최소화하기 위해.
• 분산 훈련에서 수렴 속도와 통신 효율성을 균형 잡는 데 초점을 맞춘 효율적인 사용자 스케줄링 알고리즘 설계를 위해.

제안 방법

• 시스템은 다중 대역 재구성 가능 허브릭성 표면(MB-RHS)을 사용하여 다수의 주파수 대역에서 고도로 집중되고 적응 가능한 비음향 패턴을 생성함으로써 신호 해상도와 신호 대 잡음비(SNR)를 향상시킨다.
• 위치 측정 오차 분산에 대한 Cramér-Rao 하한(CRLB)을 유도하고, 이를 바탕으로 MB-RHS 시스템 내 디지털 및 아날로그 비음향 설계 최적화를 유도한다.
• 분산 학습(FL)을 활용하여 사용자 간의 위치 추정기 훈련을 협업적으로 수행함으로써 원시 데이터를 지역에 유지함으로써 개인정보 보호를 실현한다.
• 이식 학습을 FL 프레임워크 내에 적용하여 레이블이 부족한 위치 데이터 문제를 해결하기 위해 소스 도메인의 지식을 기반으로 모델을 초기화한다.
• 각 FL 라운드에서 최적의 사용자를 선별하기 위해 사용자 스케줄링 알고리즘을 제안하며, 수렴 속도와 업링크 전송 효율성을 동시에 최적화한다.
• 분해 기반 접근법을 통해 비음향 구성 설정을 최적화하여 CRLB를 최소화하며, ProxSARAH 대비 계산 시간을 37.5% 감소시킨다.

실험 결과

연구 질문

• RQ1 다양한 무선 환경에서 다중 대역 재구성 가능 허브릭성 표면을 어떻게 활용하여 위치 측정 정확도를 향상시킬 수 있는가?
• RQ2 MB-RHS 시스템에서 위치 측정 오차 분산의 이론적 하한을 최소화하는 비음향 전략은 무엇인가?
• RQ3 분산 학습(FL)을 통해 이질적인 전파 환경에서 사용자 간에 효과적이고 개인정보 보호 기능을 갖춘 위치 추정기 적응을 달성할 수 있는가?
• RQ4 이식 학습을 어떻게 효과적으로 FL에 통합하여 위치 측정 응용 분야에서 레이블이 제한된 데이터 문제를 해결할 수 있는가?
• RQ5 FL 기반 위치 측정에서 수렴 속도와 통신 효율성 간의 상호 보완적 균형을 최적화하는 사용자 스케줄링 정책은 무엇인가?

주요 결과

• HoloFed는 비음향 스캐닝 기반 기준 대비 위치 측정 오차 분산을 57% 감소시켜 최적화된 비음향 설계로 인한 뚜렷한 성능 향상을 입증한다.
• 제안된 비음향 설계 최적화 알고리즘은 ProxSARAH 대비 계산 시간을 37.5% 감소시켜 실용적 구현 효율성을 향상시킨다.
• 분산 적응 과정을 통해 다양한 환경에서 위치 측정 오차 제곱평균(MSE)을 약 95% 감소시키며, 타겟 도메인이 소스 도메인과 크게 다를 경우에도 효과를 발휘한다.
• 사용자 스케줄링 알고리즘이 벤치마크인 CAPS 대비 평균 MSE를 11%에서 37%까지 낮추어 모델 수렴성과 정확도를 향상시킨다.
• FL을 통해 다양한 전파 환경에 효과적으로 적응하며, 다중 경로 조건이나 각도 분산의 변화에 관계없이 일관된 성능 향상을 보인다.
• CRLB 기반 비음향 설계와 FL의 통합은 6G 및 그 이후 네트워크에서 고정밀도, 확장 가능하고 개인정보 보호 기능을 갖춘 위치 측정을 가능하게 한다.