[논문 리뷰] Federated Channel Learning for Intelligent Reflecting Surfaces With Fewer Pilot Signals

Ahmet M. Elbir, Sinem Çöleri외 1명|arXiv (Cornell University)|2022. 05. 06.

Advanced Wireless Communication Technologies참고 문헌 24인용 수 6

한 줄 요약

이 논문은 스마트 반사 표면(IR)를 지원하는 대량 다중 안테나(MIMO) 시스템을 위한 연합 학습(FL)-기반 채널 추정 프레임워크를 제안하며, 더 적은 피로트 신호를 사용하여 직접 채널과 계단식 채널을 동시에 추정한다. 사용자 장치에서 로컬로 단일 합성곱 신경망(CNN)을 훈련하고 기지국에서 모델 업데이트만 집계함으로써, 중심화된 학습 대비 약 12배의 전송 오버헤드를 절감하면서도 중심화된 학습 수준의 성능을 유지하며, 기존 최고 수준의 딥 러닝 방법보다 피로트 신호를 60% 적게 사용하여 뛰어난 성능을 달성한다.

ABSTRACT

Channel estimation is a critical task in intelligent reflecting surface (IRS)-assisted wireless systems due to the uncertainties imposed by environment dynamics and rapid changes in the IRS configuration. To deal with these uncertainties, deep learning (DL) approaches have been proposed. Previous works consider centralized learning (CL) approach for model training, which entails the collection of the whole training dataset from the users at the base station (BS), hence introducing huge transmission overhead for data collection. To address this challenge, this paper proposes a federated learning (FL) framework to jointly estimate both direct and cascaded channels in IRS-assisted wireless systems. We design a single convolutional neural network trained on the local datasets of the users without sending them to the BS. We show that the proposed FL-based channel estimation approach requires approximately 60% fewer pilot signals and it exhibits 12 times lower transmission overhead than CL, while maintaining satisfactory performance close to CL. In addition, it provides lower estimation error than the state-of-the-art DL-based schemes.

연구 동기 및 목표

• IRS를 지원하는 시스템에서 중심화된 딥 러닝(DL)-기반 채널 추정의 높은 전송 오버헤드와 프라이버시 문제를 해결한다.
• 기존 방법에서 기지국(BS) 안테나 수와 동일한 수의 피로트 신호가 필요하다는 한계를 극복한다.
• 원시 데이터를 전송하지 않고도 사용자 간에 공유되는 CNN 모델을 훈련시켜 탈중앙화되고 프라이버시를 보장하는 채널 추정을 가능하게 한다.
• 기존 모델 기반 및 딥 러닝 기법보다 훨씬 적은 피로트 신호로 높은 정확도의 채널 추정을 달성한다.
• 연합 학습이 저피로트 및 저오버헤드 환경에서 최고 수준의 DL 기반 기법을 능가할 수 있음을 입증한다.

제안 방법

• IRS를 지원하는 대량 MIMO 시스템에서 직접 채널과 계단식 채널을 동시에 추정하기 위해 연합 학습(FL)을 통해 훈련된 단일 CNN 아키텍처를 제안한다.
• 각 사용자는 자신의 피로트 신호 및 채널 상태 정보 데이터셋에서 로컬로 CNN을 훈련하고, 원시 데이터 대신 모델 기울기(기울기)만 기지국에 전송한다.
• 기지국은 FedAvg를 사용하여 로컬 모델 업데이트를 집계하고, 업데이트된 글로벌 모델을 사용자들에게 다시 배포하여 반복 훈련을 수행한다.
• CNN 아키텍처는 커널 크기 3×3와 ReLU 활성화 함수를 갖는 합성곱층으로 구성되며, 이어지는 완전 연결층을 통해 제한된 피로트 입력에서 효과적인 특징 추출이 가능하다.
• 행렬 역행렬 계산을 피하기 위해 희소 피로트 입력에서 전체 채널 행렬로의 비선형 매핑을 학습함으로써 계산 복잡도를 감소시킨다.
• SGD와 모멘텀을 사용하여 100라운드 동안 훈련을 수행하였으며, 200개의 채널 실현값과 각 실현값당 160개의 노이즈가 포함된 샘플에서 유도된 총 768,000개의 입력-출력 쌍 데이터셋을 활용하였다.

실험 결과

연구 질문

• RQ1 중앙집중식 학습 대비 연합 학습이 IRS 채널 추정에서 전송 오버헤드를 줄일 수 있는가?
• RQ2 FL을 통해 훈련된 단일 CNN이 훨씬 적은 피로트 신호로 중심집중식 학습과 유사한 성능을 달성할 수 있는가?
• RQ3 제안된 FL 기반 방법이 저피로트 환경에서 기존 딥 러닝 기반 채널 추정 기법보다 뛰어난 성능을 보일 수 있는가?
• RQ4 IRS를 지원하는 시스템에서 SNR 및 피로트 오버헤드 변화에 따라 FL 기반 방법의 성능가 어떻게 변화하는가?
• RQ5 탈중앙화된 방식으로 훈련된 비선형 딥 러닝 모델이 희소 피로트 피드백에서 전체 채널 행렬을 효과적으로 재구성할 수 있는가?

주요 결과

• 제안된 FL 기반 채널 추정 방법은 중심화된 학습(Centralized Learning, CL) 대비 전송 오버헤드를 약 12배 감소시켰으며, TFL = 9.6×10⁸ 대비 TCL = 1.1×10¹⁰이다.
• 모델 기반 기법 대비 요구되는 피로트 신호 수를 60% 감소시켰으며, 피로트 수 ¯M가 BS 안테나 수 M보다 작을 때도 우수한 성능을 보였다.
• SNR ≤ 25 dB 범위에서 FL 기반 CNN은 CL과 거의 동일한 NMSE 성능을 달성하였으며, SNR ≥ 15 dB일 경우 신뢰할 수 있는 추정을 위해 NMSE ≤ 0.01 이내를 확보하였다.
• 특히 저SNR 및 저피로트 환경에서, 완전 연결층을 통한 더 나은 특징 매핑 기능 덕분에 최고 수준의 SF-CNN 모델보다 뛰어난 성능을 보였다.
• 노이즈가 포함된 입력에 대해서도 모델은 강건성을 유지하였으며, 채널 실현값 당 160개의 노이즈가 포함된 실현값을 사용하여 SNR 3개 수준(20, 25, 30 dB)에서 성능을 검증하였다.
• 검증용 RMSE는 훈련 중 안정적인 수렴을 보이며, 사용자 간에 FL로 학습된 모델의 효과적인 일반화 능력을 입증하였다.