[论文解读] Convolutional Neural Network based Multiple-Rate Compressive Sensing for Massive MIMO CSI Feedback: Design, Simulation, and Analysis

Jiajia Guo, Chao-Kai Wen+2 more|arXiv (Cornell University)|Jun 14, 2019

Advanced MIMO Systems Optimization参考文献 43被引用 11

一句话总结

该论文提出CsiNet+，一种基于深度学习的大规模MIMO信道状态信息（CSI）反馈压缩感知框架，支持多压缩比率，显著降低用户设备（UE）存储需求并提升重建精度。通过引入新型网络设计原则、量化感知训练策略以及两种可变压缩率架构（SM-CsiNet+与PM-CsiNet+），该方法分别将UE参数存储减少38.0%和46.7%，同时通过端到端学习与多速率训练正则化，在低压缩比下优于现有最先进方法。

ABSTRACT

Massive multiple-input multiple-output (MIMO) is a promising technology to increase link capacity and energy efficiency. However, these benefits are based on available channel state information (CSI) at the base station (BS). Therefore, user equipment (UE) needs to keep on feeding CSI back to the BS, thereby consuming precious bandwidth resource. Large-scale antennas at the BS for massive MIMO seriously increase this overhead. In this paper, we propose a multiple-rate compressive sensing neural network framework to compress and quantize the CSI. This framework not only improves reconstruction accuracy but also decreases storage space at the UE, thus enhancing the system feasibility. Specifically, we establish two network design principles for CSI feedback, propose a new network architecture, CsiNet+, according to these principles, and develop a novel quantization framework and training strategy. Next, we further introduce two different variable-rate approaches, namely, SM-CsiNet+ and PM-CsiNet+, which decrease the parameter number at the UE by 38.0% and 46.7%, respectively. Experimental results show that CsiNet+ outperforms the state-of-the-art network by a margin but only slightly increases the parameter number. We also investigate the compression and reconstruction mechanism behind deep learning-based CSI feedback methods via parameter visualization, which provides a guideline for subsequent research.

研究动机与目标

• 解决FDD模式下因CSI矩阵维度大导致的大规模MIMO系统高反馈开销问题。
• 克服现有基于深度学习的CSI反馈方法在不同压缩率下需独立网络的问题，避免UE存储过度增加。
• 通过融合压缩感知与深度学习，并引入量化感知训练，提升重建精度与系统可行性。
• 设计统一框架，实现多压缩率支持，同时将UE端参数开销降至最低。
• 通过参数可视化揭示学习到的特征，为未来网络设计提供指导。

提出的方法

• 提出CsiNet+，一种基于CsiNet改进的深度神经网络架构，通过建立在压缩感知理论基础上的设计原则，提升特征学习能力与CSI的统计表示能力。
• 提出一种新颖的量化框架，使同一网络可在无需重新训练的情况下支持多种量化位宽，仅在基站端通过微调策略实现。
• 设计偏移网络以在重建过程中最小化量化失真。
• 开发两种可变压缩率框架：SM-CsiNet+（级联多速率）与PM-CsiNet+（并行多速率），实现不同压缩率间的参数共享。
• 采用多任务损失函数，包含加权损失项（c₄=30, c₈=6, c₁₆=2, c₃₂=1），在联合训练中平衡不同压缩等级的性能表现。
• 通过全连接层参数可视化分析压缩机制，验证网络学习有意义CSI表示的能力。

实验结果

研究问题

• RQ1 如何在不增加UE存储的前提下，使基于深度学习的CSI反馈在多压缩率下具备可扩展性？
• RQ2 多速率训练对重建精度有何影响，尤其是在低压缩比下？
• RQ3 所提出的量化策略如何减少对不同位宽重新训练的需求？
• RQ4 多压缩等级的联合优化是否可通过隐式正则化提升性能？
• RQ5 在CSI压缩背景下，对学习到的网络参数进行可视化能提供哪些洞见？

主要发现

• CsiNet+在参数量仅略有增加的情况下，实现了优于现有最先进方法的重建精度。
• SM-CsiNet+相比为每种压缩率单独存储网络，将UE端参数数量减少了38.0%。
• PM-CsiNet+将参数数量减少了46.7%，但其在高比率压缩下性能比直接CsiNet+低约2 dB。
• 在低压缩比（如4×和8×）下，SM-CsiNet+由于多速率训练带来的正则化作用，即使与CsiNet+具有相同架构和参数量，仍优于后者。
• 调整特定压缩率的损失权重（如提高c₁₆）可提升该速率下的重建精度，表明系统具备针对特定环境偏好的可调性。
• 参数可视化显示，全连接层学习到了结构化、统计性的CSI表示，验证了网络的可解释性与设计合理性。