[論文レビュー] Deep Neural Network Based Active User Detection for Grant-free NOMA Systems

Wonjun Kim, Youngjun Ahn+1 more|arXiv (Cornell University)|Dec 26, 2019

Advanced Wireless Communication Technologies参考文献 29被引用数 7

ひとこと要約

本稿では、高スパarsityかつ高相関性の状況における従来の圧縮センシング（CS）ベース手法の限界を克服するため、ゲストフリ―非直交多重アクセス（NOMA）システム向けに、深層ニューラルネットワーク（DNN）ベースのアクティブユーザ検出（D-AUD）方式を提案する。受信信号とアクティブユーザインデックスの間の非線形写像をエンドツーエンドで学習することで、D-AUDは従来手法に比べて著しく高い検出精度と低い計算複雑性を達成し、特に過負荷のmMTC環境において優れた性能を発揮する。

ABSTRACT

As a means to support the access of massive machine-type communication devices, grant-free access and non-orthogonal multiple access (NOMA) have received great deal of attention in recent years. In the grant-free transmission, each device transmits information without the granting process so that the basestation needs to identify the active devices among all potential devices. This process, called an active user detection (AUD), is a challenging problem in the NOMA-based systems since it is difficult to identify active devices from the superimposed received signal. An aim of this paper is to put forth a new type of AUD based on deep neural network (DNN). By applying the training data in the properly designed DNN, the proposed AUD scheme learns the nonlinear mapping between the received NOMA signal and indices of active devices. As a result, the trained DNN can handle the whole AUD process, achieving an accurate detection of the active users. Numerical results demonstrate that the proposed AUD scheme outperforms the conventional approaches in both AUD success probability and computational complexity.

研究の動機と目的

• 感知行列の列が高相関である高スパarsity・高相関性NOMA環境において、圧縮センシング（CS）ベースのアクティブユーザ検出（AUD）の性能が著しく劣化する問題に対処すること。
• 重ね合わせられたNOMA信号とアクティブユーザインデックスの間の複雑で非線形な関係を効果的にモデル化できる学習ベースのAUDソリューションを開発すること。
• LS-BOMP や MMSE-BOMP などの従来の反復的アルゴリズムに比べ、計算複雑性を低減しつつ、検出精度を維持または向上させること。
• マスィブな接続と低遅延が求められるゲストフリーアップリンクmMTCシステムにおいて、堅牢なアクティブユーザ検出を可能にすること。

提案手法

• 受信NOMA信号ベクトルからアクティブユーザインデックスへの非線形写像を学習するための深層ニューラルネットワーク（DNN）を訓練する。
• 受信信号とそれに対応するアクティブユーザ集合を含むラベル付きトレーニングデータを用いて、スパース信号構造のエンドツーエンド学習を実現する。
• 複雑な非線形関数を近似可能とするために、複数のスタックされた隠れ層を採用し、普遍近似定理を活用して高精度な検出を実現する。
• 検出誤差を最小化する適切な損失関数を用いてトレーニングを実施し、DNNが未観測のテストデータに対しても良好に一般化できることを保証する。
• 提案手法D-AUDはチャネル状態情報が基地局に不要なブラインド動作を実現しており、実用的なゲストフリーシステムに適している。
• 受信アンテナ数（M=1,2,4）の異なる条件下での性能評価により、スケーラビリティとマルチアンテナゲインの有効性を示している。

実験結果

リサーチクエスチョン

• RQ1 ゲストフリーアップリンク環境において、深層ニューラルネットワークは重ね合わせられたNOMA信号とアクティブユーザインデックスの間の非線形写像を効果的に学習できるか？
• RQ2 D-AUD方式は、従来のCSベースのAUD手法に比べ、検出成功確率と計算複雑性の両面で優れているか？
• RQ3 受信アンテナ数の増加が、提案されたD-AUD方式の性能に与える影響は何か？
• RQ4 CSベース手法が著しく性能を低下させる高スパarsity・高相関条件においても、D-AUDアプローチは有効に機能するか？

主な発見

• M=4の受信アンテナとM=1の受信アンテナを比較した場合、90%の検出成功確率における信号対雑音比（SNR）で8.4 dBのゲインを達成した。
• D-AUD手法は、特に高スパarsity状況において、従来のLS-BOMPおよびMMSE-BOMPアルゴリズムに比べ、検出成功確率と計算複雑性の両面で優れた性能を示した。
• 相互コherーレンスが低下する高相関NOMAシーケンスにおいても、DNNベース手法はCSベース手法に比べて顕著な性能向上を達成した。
• LS-BOMP や MMSE-BOMP などの反復的CSベースアルゴリズムに比べ、D-AUDの計算複雑性は著しく低く抑えられており、特にユーザ数が多い場合に顕著である。
• アクティブユーザ数の増加に対してもD-AUD方式は堅牢な性能を維持しており、過負荷のmMTCシステムにおける有効性を示している。
• アンテナ1本あたりのマルチアンテナゲインは約2.1 dBであり、アレイゲインに起因する性能向上がスケーラブルであることが示された。