[논문 리뷰] SINR Estimation under Limited Feedback via Online Convex Optimization

Lorenzo Maggi, Boris Bonev외 3명|arXiv (Cornell University)|2026. 03. 02.

Advanced MIMO Systems Optimization인용 수 0

한 줄 요약

논문은 mirror descent with Nesterov momentum을 사용한 온라인 컨벡스 최적화 프레임워크를 통해 ACK/NACK 및 CQI 피드백으로 하향링크 SINR을 추정하고, 전문가 조언을 통한 온라인 매개변수 조정을 수행한다. 이 방법은 레이 트레이스 시나리오에서 최첨단 스킴을 능가한다.

ABSTRACT

We introduce a novel online convex optimization (OCO) framework to estimate the user's signal-to-interference-plus-noise ratio (SINR) from ACK/NACK feedback, channel quality indicator (CQI) reports, and previously selected modulation and coding scheme (MCS) values. Specifically, the proposed approach minimizes a regularized binary cross-entropy loss using mirror descent enhanced with Nesterov momentum for accelerated SINR tracking. Its parameters are tuned online via an expert-advice algorithm, endowing the estimator with continual learning capabilities. Numerical experiments in ray-traced scenarios show that the proposed method outperforms state-of-the-art schemes in estimation accuracy and adapts robustly to time-varying SINR regimes.

연구 동기 및 목표

• 견고한 무선 자원 관리와 더 나은 MCS 스케줄링을 위한 BS의 정확한 DL SINR 추정 필요성 제시.
• ACK/NACK 및 CQI 피드백을 활용하는 온라인 최적화 프레임워크 내 SINR 추정기 개발.
• 추적 속도 향상을 위한 Nesterov 모멘텀을 갖춘 미러-디센트 SINR 추정기 도입.
• 지속 학습을 위한 전문가 조언 알고리즘을 통한 매개변수(alpha, beta, eta) 온라인 자동 튜닝 도입

제안 방법

• ACK/NACK 오차 적합도와 CQI 근접성의 정규화 손실을 결합한 손실 최소화로 SINR 추정 문제를 형식화.
• 온라인 기울기 업데이트를 위해 BCE 손실을 볼록하게 만들도록 시그모이드를 사용하여 BLER 모델링.
• 안정성을 위해 HB 모멘텀을 선택적으로 사용하고 안정성을 위해 OGD와의 비교에서 Nesterov 모멘텀으로 전환.
• CQI 피드백을 CQI 기반 SINR 매핑에서의 편차를 제재하는 볼록 정규화 항으로 통합.
• 온라인-튜닝(Fixed-Share) 프레임워크를 사용하여 시간에 따라 매개변수(alpha, beta, eta)를 조정하고 지속적 학습 가능하게 함.
• 효율적인 알고리즘(Alg. 2)과 온라인 적응을 위한 보완적 자체 튜닝(Alg. 3) 제공

Figure 1 : SINR estimation with momentum . A comparison among OGD , NAG and HB momentum methods for SINR estimation from ACK/NACK. NAG offers a good compromise between tracking speed and stability.

실험 결과

연구 질문

• RQ1 ACK/NACK 피드백을 사용해 비정상 채널에서도 SINR을 온라인으로 정확히 추적할 수 있는가?
• RQ2 CQI 보고를 온라인 SINR 추정기에 통합하되 볼록성과 계산 가능성을 해치지 않는 방법은 무엇인가?
• RQ3 온라인 학습과 전문가 조언으로 estimator 매개변수를 변화하는 SINR 체계에 적응시켜 추정 정확성을 유지할 수 있는가?
• RQ4 제안된 OCO 기반 접근 방식의 성능 및 견고성 이점이 최첨단 LA 스킴 대비 무엇인가?

주요 결과

• 제안된 ACK/NACK 및 선택적 CQI를 사용하는 OCO 기반 SINR 추정기가 여러 UE에서 일부 수준의 SoA 스킴보다 더 낮은 RMSE를 달성한다.
• Nesterov 모멘텀을 갖춘 미러-디센트가 표준 OGD나 HB 모멘텀에 비해 추적 속도는 높이고 안정성은 유지한다.
• 온라인 전문가 조언 튜닝(Fixed-Share)은 지속적 학습을 가능하게 하고 매개변수를 시간에 따라 적응시킨다.
• 시뮬레이션에서 이 방법은 RMSE를 20/50/80 백분위수에서 OLLA, NOLLA, LTS, SALAD 대비 우수하게 보여준다.
• 이 접근법은 런타임 SINR 추정을 위한 플러그-인 벤치마크를 제공하고 MCS/적응 정책을 안내할 수 있다.

((a))