[论文解读] A Markovian Model-Driven Deep Learning Framework for Massive MIMO CSI Feedback

Zhenyu Liu, Mason del Rosario+1 more|arXiv (Cornell University)|Sep 20, 2020

Advanced MIMO Systems Optimization参考文献 39被引用 6

一句话总结

该论文提出MarkovNet，一种基于深度卷积神经网络（CNN）的框架，通过差分编码利用时序信道相干性，以降低FDD大规模MIMO系统中的反馈开销和计算复杂度。通过将信道状态信息（CSI）演化建模为马尔可夫过程，并结合球面归一化与卷积层实现压缩，MarkovNet在参数量显著低于基于RNN的替代方案的前提下，实现了更优的重建精度和更强的量化鲁棒性。

ABSTRACT

Forward channel state information (CSI) often plays a vital role in scheduling and capacity-approaching transmission optimization for massive multiple-input multiple-output (MIMO) communication systems. In frequency division duplex (FDD) massive MIMO systems, forwardlink CSI reconstruction at the transmitter relies critically on CSI feedback from receiving nodes and must carefully weigh the tradeoff between reconstruction accuracy and feedback bandwidth. Recent studies on the use of recurrent neural networks (RNNs) have demonstrated strong promises, though the cost of computation and memory remains high, for massive MIMO deployment. In this work, we exploit channel coherence in time to substantially improve the feedback efficiency. Using a Markovian model, we develop a deep convolutional neural network (CNN)-based framework MarkovNet to differentially encode forward CSI in time to effectively improve reconstruction accuracy. Furthermore, we explore important physical insights, including spherical normalization of input data and convolutional layers for feedback compression. We demonstrate substantial performance improvement and complexity reduction over the RNN-based work by our proposed MarkovNet to recover forward CSI estimates accurately. We explore additional practical consideration in feedback quantization, and show that MarkovNet outperforms RNN-based CSI estimation networks at a fraction of the computational cost.

研究动机与目标

• 解决基于RNN的CSI反馈在大规模MIMO系统中计算与内存开销过高的问题。
• 利用时序信道相干性以提升反馈效率与重建精度。
• 开发一种低复杂度、鲁棒性强的基于深度学习的CSI反馈替代方案，以替代基于RNN的模型。
• 研究反馈量化对CSI重建性能的影响。
• 将物理洞察（如球面归一化与卷积压缩）整合进基于深度学习的CSI反馈框架中。

提出的方法

• 该框架将前向CSI演化建模为马尔可夫过程，采用差分编码表示CSI随时间的变化，而非绝对值。
• 采用深层CNN架构对CSI进行压缩与重建，以更高效的卷积层替代参数密集的RNN层。
• 对输入CSI数据应用球面归一化，以提升在不同信道条件下的训练稳定性和泛化能力。
• 通过μ-law压缩后接均匀量化的方式建模反馈量化，模拟实际上行链路反馈约束。
• 采用端到端训练方式，以重建损失最小化估计CSI与真实CSI之间的归一化均方误差（NMSE）。
• 在不同反馈比特深度（6比特与4比特）下评估性能，以评估对量化效应的鲁棒性。

实验结果

研究问题

• RQ1 基于CNN的框架结合差分编码是否能在计算复杂度更低的前提下，优于基于RNN的模型？
• RQ2 通过马尔可夫模型利用时序相关性在大规模MIMO系统中是否能提升CSI重建精度？
• RQ3 球面归一化在多大程度上提升了基于深度学习的CSI反馈的鲁棒性与性能？
• RQ4 与现有基于RNN的方法相比，所提框架在实际反馈量化约束下的表现如何？
• RQ5 更浅层、参数更高效的网络架构是否能在CSI反馈任务中实现相当或更优的性能？

主要发现

• MarkovNet在低反馈比特率下显著低于基于RNN的CsiNet-LSTM的NMSE，尤其在室内环境中，6比特反馈下平均NMSE仅下降0.70 dB。
• 在4比特反馈下，MarkovNet在室内环境中仅下降5.49 dB，而CsiNet-LSTM（D3）下降11.96 dB，表明其具有更强的量化鲁棒性。
• CsiNet-LSTM的浅层D1版本在室内与室外场景中均与深层D3版本表现相当，表明更深的RNN模型并不总能带来更好性能。
• 在室内与室外环境中，MarkovNet在6比特与4比特反馈下均保持NMSE低于-10 dB，而CsiNet-LSTM在室内低压缩比下无法维持NMSE低于-10 dB。
• 该框架通过避免使用大型RNN层，显著降低了计算复杂度，参数量远低于基于RNN的模型（后者参数量可超过10^8）。
• 球面归一化与卷积压缩有助于提升泛化能力与稳定性，尤其在量化与不同信道条件下的表现。