[论文解读] Binarized Aggregated Network with Quantization: Flexible Deep Learning Deployment for CSI Feedback in Massive MIMO System

Zhilin Lu, Xudong Zhang+3 more|arXiv (Cornell University)|May 1, 2021

Advanced MIMO Systems Optimization被引用 4

一句话总结

该论文提出ACRNet，一种用于大规模MIMO FDD系统中高效信道状态信息（CSI）反馈的二值化与量化深度学习网络。通过集成网络聚合、PReLU激活函数以及灵活的量化方法与二值化全连接层，ACRNet在实现高达31倍用户设备（UE）内存减少和16倍反馈开销减少的同时，达到了最先进的归一化均方误差（NMSE）性能，展示了在不同资源约束下的高度实用性和适应性。

ABSTRACT

Massive multiple-input multiple-output (MIMO) is one of the key techniques to achieve better spectrum and energy efficiency in 5G system. The channel state information (CSI) needs to be fed back from the user equipment to the base station in frequency division duplexing (FDD) mode. However, the overhead of the direct feedback is unacceptable due to the large antenna array in massive MIMO system. Recently, deep learning is widely adopted to the compressed CSI feedback task and proved to be effective. In this paper, a novel network named aggregated channel reconstruction network (ACRNet) is designed to boost the feedback performance with network aggregation and parametric rectified linear unit (PReLU) activation. The practical deployment of the feedback network in the communication system is also considered. Specifically, the elastic feedback scheme is proposed to flexibly adapt the network to meet different resource limitations. Besides, the network binarization technique is combined with the feature quantization for lightweight and practical deployment. Experiments show that the proposed ACRNet outperforms loads of previous state-of-the-art networks, providing a neat feedback solution with high performance, low cost and impressive flexibility.

研究动机与目标

• 解决大规模MIMO FDD系统中因大规模阵列导致的CSI反馈开销过高的问题。
• 克服传统压缩感知方法及现有深度学习方法在性能与部署效率方面的局限性。
• 设计一种灵活轻量的深度学习架构，在严格资源约束下仍能保持高重建精度。
• 集成网络二值化与特征量化，以实现在资源受限的用户设备（UE）和基站（BS）上的实用化部署。
• 开发一种弹性反馈方案，支持根据系统需求动态调整网络容量与精度。

提出的方法

• 提出ACRNet，一种新型聚合信道重建网络，利用网络聚合与参数化修正线性单元（PReLU）激活函数，以增强特征表示与重建精度。
• 引入一种弹性反馈方案，允许通过缩放因子η动态调整网络宽度，以适应UE与BS处不同的资源约束。
• 应用向量量化与全连接（FC）层二值化，显著降低模型大小与反馈开销。
• 结合量化与二值化技术，在不造成显著性能下降的前提下实现内存节省，同时利用量化带来的正则化效应。
• 设计反馈开销模型，当η×B固定时，反馈开销Nbf保持不变，从而实现压缩率与比特精度之间的权衡。
• 通过消融实验优化η与B的组合配置，针对不同场景（室内/室外）识别出最优设置，如在固定Nbf下，η=1/4与B=4可实现最小NMSE。

实验结果

研究问题

• RQ1 如何在大规模MIMO系统中，使基于深度学习的CSI反馈网络在严格资源约束下兼具高精度与实际可部署性？
• RQ2 在网络二值化与量化结合架构灵活性的前提下，对CSI重建性能有何影响？
• RQ3 具有可扩展宽度（通过η实现）的弹性网络设计，能否在不同反馈开销水平下保持高性能？
• RQ4 向量量化与FC层二值化的结合，如何在保持重建精度的同时影响内存占用与反馈开销？
• RQ5 在固定反馈开销（Nbf）条件下，压缩率（η）与比特精度（B）之间何种最优权衡可最大化性能？

主要发现

• 在η=1/4与32位量化条件下，ACRNet实现23.36 dB的NMSE性能，显著优于先前最先进方法（如CsiNet）。
• 在8位量化条件下，ACRNet在室内场景中保持接近理想性能（16.10 dB NMSE），且由于量化带来的正则化效应，在室外场景中性能甚至进一步提升。
• ACRNet的二值化版本（BACRNet-10×）在η=1/4与B=2条件下实现-15 dB NMSE，相比原始CsiNet，反馈开销降低16倍，内存使用减少31倍。
• 二值化与量化技术的结合使用户设备处内存减少最高达30倍，基站处减少18倍，且在参数调优得当时性能损失极小。
• 弹性架构设计确保ACRNet-10×在极端二值化与量化条件下仍持续优于ACRNet-1×，验证了可扩展设计的鲁棒性。
• 在固定反馈开销Nbf=2048条件下，最优性能在η=1/4与B=4时实现，室内场景下NMSE最低，证明了所提超参数调优策略的有效性。