[논문 리뷰] Multi-resolution CSI Feedback with deep learning in Massive MIMO System

Zhilin Lu, Jintao Wang외 1명|arXiv (Cornell University)|2019. 10. 31.

Advanced MIMO Systems Optimization참고 문헌 17인용 수 10

한 줄 요약

이 논문은 다중 해상도 특징 추출을 위해 인셉션 모듈을 모티프로 삼은 인셉션 유사 CRBlock과 분할 컨볼루션을 활용하여 재구성 정확도를 향상시키는 딥러닝 기반의 다중 해상도 채널 상태 정보(CSI) 피드백 네트워크인 CRNet을 제안한다. 온도 상승 효과가 있는 코스인 학습률 스케줄러를 사용한 고도화된 훈련 기법을 통해, 동일한 계산 복잡도에서 CsiNet보다 유의미하게 낮은 NMSE를 달성하며, 추가 정보 없이도 뛰어난 성능을 보여준다.

ABSTRACT

In massive multiple-input multiple-output (MIMO) system, user equipment (UE) needs to send downlink channel state information (CSI) back to base station (BS). However, the feedback becomes expensive with the growing complexity of CSI in massive MIMO system. Recently, deep learning (DL) approaches are used to improve the reconstruction efficiency of CSI feedback. In this paper, a novel feedback network named CRNet is proposed to achieve better performance via extracting CSI features on multiple resolutions. An advanced training scheme that further boosts the network performance is also introduced. Simulation results show that the proposed CRNet outperforms the state-of-the-art CsiNet under the same computational complexity without any extra information. The open source codes are available at https://github.com/Kylin9511/CRNet

연구 동기 및 목표

• 큰 CSI 행렬 차원으로 인해 발생하는 높은 피드백 오버헤드 문제를 해결하기 위해.
• 효율적인 압축을 위한 딥러닝 기반 기법을 활용해 FDD 대량 MIMO에서 CSI 재구성 정확도를 향상시키기 위해.
• 다양한 채널 조건과 압축 비율에 걸쳐 일반화 능력을 향상시키기 위해 다중 해상도 CSI 특징을 효과적으로 포착하는 신경망 아키텍처를 설계하기 위해.
• 계산 비용을 증가시키지 않고도 모델 수렴과 성능 향상을 향상시키는 고도화된 훈련 기법을 개발하기 위해.
• 아키텍처 혁신과 훈련 전략이 함께 작용할 경우 최신 기술(CsiNet 등)을 능가하는 성능을 낼 수 있음을 입증하기 위해.

제안 방법

• 다중 해상도 CRBlock을 사용한 새로운 딥 뉴럴 네트워크인 CRNet을 제안하며, 이는 인셉션 모듈을 모티프로 삼아 다양한 척도에서 특징을 추출한다.
• 분할 컨볼루션을 활용해 픽셀 해상도를 확장하면서도 부동소수점 연산 수(flops)를 증가시키지 않는다.
• 훈련 안정성과 수렴 성능 향상을 위해 온도 상승 효과가 있는 코스인 학습률 스케줄러를 도입한다.
• 엔코더-디코더 아키텍처에 잔차 연결을 적용하여 엔드 투 엔드 CSI 재구성 구현을 수행한다.
• 채널의 희박성 특성을 활용하기 위해 이산 푸리에 변환(DFT)을 적용해 공간-주파수 도메인의 CSI를 각도-지연 도메인으로 변환한다.
• 훈련 안정성과 성능 향상을 향상시키기 위해 최적화된 음수 기울기(0.3)를 가진 Leaky ReLU 활성화 함수를 사용한다.

실험 결과

연구 질문

• RQ1 단일 척도 네트워크에 비해 다중 해상도 딥러닝 아키텍처가 대량 MIMO 시스템에서 CSI 피드백 성능을 향상시킬 수 있는가?
• RQ2 CSI 피드백에서 계산 복잡도를 증가시키지 않고도 분할 컨볼루션은 성능 향상에 어떻게 기여하는가?
• RQ3 온도 상승 효과가 있는 코스인 학습률 스케줄러와 같은 고도화된 훈련 기법이 CSI 피드백 작업에서 모델 성능 향상에 유의미하게 기여하는가?
• RQ4 동일한 계산 복잡도 조건에서 제안된 CRNet이 CsiNet와 같은 최신 기술을 얼마나 뛰어나게 성능을 냈는가?
• RQ5 Leaky ReLU의 음수 기울기나 헤드 컨볼루션 설계와 같은 하이퍼파rameter에 대해 CRNet의 성능는 얼마나 민감한가?

주요 결과

• 동일한 계산 복잡도에서 CRNet은 CsiNet보다 유의미하게 낮은 NMSE를 달성하며, 1/4 압축 비율에서 실내 환경에서 최대 3.2 dB의 성능 향상을 기록한다.
• 2500 에포크와 코스인 학습률 스케줄러를 적용한 고도화된 훈련 기법은 표준 훈련 방식보다 NMSE 감소 효과가 뛰어나며, CsiNet의 손실 값이 정체되는 동안 CRNet의 손실 값은 계속 감소함을 보였다.
• CRNet에서 5×5 헤드 컨볼루션 레이어를 사용함으로써 성능이 약 1.5 dB 향상되었지만, 다중 해상도 아키텍처의 강건성 덕분에 영향은 다소 미미했다.
• Leaky ReLU의 음수 기울기가 0.3일 때가 최고의 성능를 기록했으며, 더 작은 기울기(예: 0.01)는 최적화를 방해하고 성능 저하를 유발했다.
• CRNet의 다중 해상도 설계 덕분에 다양한 시나리오 간 성능 변동이 감소했으며, 훈련 과정에서 시간이 지남에 따라 NMSE 변동성이 감소하여 안정성이 향상됨을 확인했다.
• 제안된 훈련 기법은 과적합을 줄이는 데 효과적이었으며, CsiNet와 CRNet 모두에서 훈련 손실과 검증 손실 곡선이 매우 유사하게 일치함을 통해 이를 확인할 수 있었다.