[论文解读] Deep Convolutional Compression for Massive MIMO CSI Feedback

Qianqian Yang, Mahdi Boloursaz Mashhadi+1 more|arXiv (Cornell University)|Jul 2, 2019

Advanced MIMO Systems Optimization参考文献 15被引用 7

一句话总结

该论文提出DeepCMC，一种用于大规模MIMO信道状态信息（CSI）反馈的全卷积神经网络深度学习架构，通过在率失真优化的训练框架中整合量化与熵编码，实现了比当前最先进方法（如CSINet）最高5倍的反馈比特压缩，且在每信道维度反馈比特低于0.16时，NMSE低于-13 dB。

ABSTRACT

Coded caching provides significant gains over conventional uncoded caching by creating multicasting opportunities among distinct requests. Massive multiple-input multiple-output (MIMO) systems require downlink channel state information (CSI) at the base station (BS) to better utilize the available spatial diversity and multiplexing gains. However, in a frequency division duplex (FDD) massive MIMO system, the huge CSI feedback overhead becomes restrictive and degrades the overall spectral efficiency. In this paper, we propose a deep learning based channel state matrix compression scheme, called DeepCMC, composed of convolutional layers followed by quantization and entropy coding blocks. In comparison with previous works, the main contributions of DeepCMC are two-fold: i) DeepCMC is fully convolutional, and it can be used in a wide range of scenarios with various numbers of sub-channels and transmit antennas; ii) DeepCMC includes quantization and entropy coding blocks and minimizes a cost function that accounts for both the rate of compression and the reconstruction quality of the channel matrix at the BS. Simulation results demonstrate that DeepCMC significantly outperforms the state of the art compression schemes in terms of the reconstruction quality of the channel state matrix for the same compression rate, measured in bits per channel dimension.

研究动机与目标

• 解决FDD大规模MIMO系统中高CSI反馈开销的问题，该问题限制了频谱效率与实际部署。
• 克服现有基于深度学习的CSI压缩方法依赖全连接层且固定于特定输入维度的局限性。
• 开发一种灵活、可泛化的CSI压缩框架，可在不同子载波数与发射天线数下保持高重建质量。
• 通过联合优化率与失真，利用集成量化与熵编码的率失真损失函数，提升压缩效率。
• 通过减少反馈比特同时保持高信道重建精度，实现实际部署，这对5G网络中可靠波束成形至关重要。

提出的方法

• 设计一种无全连接层的全卷积神经网络（CNN）编码器-解码器架构，支持不同MIMO配置（如不同$N_t$与$N_c$）下的灵活性。
• 将可学习的量化与熵编码模块直接集成到网络中，支持端到端训练，采用率失真目标函数。
• 使用复合损失函数优化网络，结合重建均方误差（MSE）与比特率项（每信道维度比特数），公式为$ \text{Loss} = \text{MSE} + \beta \times \text{Rate} $。
• 采用带PReLu激活函数与跳跃连接的残差块，以提升特征学习能力与训练稳定性。
• 在固定尺寸的CSI矩阵（$N_c=256$，$N_t=32$）上进行网络训练，但评估其在未重新训练情况下的泛化能力。
• 在熵编码器中使用近似概率模型，以最小化码字长度，提升压缩效率。

实验结果

研究问题

• RQ1 全卷积深度学习架构是否能在CSI压缩性能上优于基于自编码器且使用全连接层的方法？
• RQ2 在训练过程中集成量化与熵编码在CSI反馈的率失真权衡方面能带来多大程度的改善？
• RQ3 在特定CSI维度上训练的网络在不同子载波数或发射天线数下泛化能力如何？
• RQ4 所提出的率失真优化是否能显著减少反馈比特，同时保持高重建质量？
• RQ5 在NMSE与反馈比特效率方面，DeepCMC与当前最先进方法（如CSINet）相比表现如何？

主要发现

• DeepCMC在反馈率低于每信道维度0.16比特时，实现-13 dB的NMSE，显著优于CSINet。
• 在目标NMSE为-5 dB时，DeepCMC相比CSINet将反馈比特减少超过5倍，展现出卓越的压缩效率。
• 当在子载波数减半（$N_c=128$）的CSI矩阵上测试时，网络性能下降可忽略，相比训练尺寸（$N_c=256$），显示出强大的泛化能力。
• DeepCMC的比特率-NMSE权衡曲线比CSINet下降更陡峭，表明其更高效地利用了有限的反馈比特。
• 采用带PReLu的残差块与使用近似概率模型的熵编码，有助于提升重建质量与压缩增益。
• 即使在固定训练配置（$N_c=256$，$N_t=32$）下，DeepCMC在$N_c=256$时仍实现0.9579的相关系数（$ ho$），表明重建CSI具有高保真度。