[论文解读] Deep Learning-based CSI Feedback for RIS-assisted Multi-user Systems

Jiajia Guo, Xi Yang+3 more|arXiv (Cornell University)|Mar 6, 2020

Advanced Wireless Communication Technologies被引用 5

一句话总结

本文提出 CoCsiNet，一种基于深度学习的 RIS 促进的多用户大规模 MIMO 系统中的信道状态信息（CSI）反馈与协作恢复框架，该框架利用附近用户设备（UEs）之间的相关性。通过将 CSI 分解为共享与独立分量，并在基站使用共享解码器从两个 UEs 的反馈中重构共有的信道特征，CoCsiNet 在无需用户设备（UE）间通信或修改 UE 的情况下，显著降低了冗余反馈开销，且在受限反馈速率下实现了显著的性能增益。

ABSTRACT

In the realm of reconfigurable intelligent surface (RIS)-assisted wireless communications, efficient channel state information (CSI) feedback is paramount. This paper introduces RIS-CoCsiNet, a novel deep learning-based framework designed to greatly enhance feedback efficiency. By leveraging the inherent correlation among proximate user equipments (UEs), our approach strategically categorizes RIS-UE CSI into shared and unique data sets. This nuanced understanding allows for significant reductions in feedback overhead, as the shared data is no longer redundantly relayed. Setting RIS-CoCsiNet apart from traditional autoencoder systems, we incorporate an additional decoder and a combination neural network at the base station. These enhancements are tasked with the precise retrieval and fusion of shared and individual data. And notably, all these innovations are achieved without modifying the UEs. For those UEs boasting multiple antennas, our design seamlessly integrates long short-term memory modules, capturing the intricate correlations between antennas. With a recognition of the non-sparse nature of the RIS-UE CSI phase, we pioneer two magnitude-dependent phase feedback strategies. These strategies adeptly weave in both statistical and real-time CSI magnitude data. The potency of RIS-CoCsiNet is further solidified through compelling simulation results drawn from two diverse channel datasets.

研究动机与目标

• 通过利用附近 UEs 之间的空间相关性，解决 FDD 大规模 MIMO 系统中的高反馈开销问题。
• 设计一种协作式 CSI 反馈框架，最小化附近 UEs 之间共享信道信息的冗余反馈。
• 设计一种基站架构，包含共享解码器与组合网络，以在不修改 UE 硬件或协议的情况下重构 CSI。
• 提出基于幅度的相位反馈策略，以在 CSI 相位非稀疏的情况下提升相位量化精度。
• 通过可切换或混合训练策略，确保在不同 UE 相关程度下均具备鲁棒性。

提出的方法

• 在基站将 CSI 分解为共享（对附近 UEs 共享）和独立（每个 UE 唯一）分量。
• 在基站部署共享解码器，从两个附近 UEs 的反馈比特中重构共有的 CSI，从而消除共享数据的重复传输。
• 为每个 UE 使用独立解码器以恢复其特有的 CSI 分量，随后通过融合网络将共享与独立重构结果结合。
• 在 UE 编码器中集成长短期记忆（LSTM）模块，以建模多天线之间的空间相关性。
• 提出两种基于幅度的相位反馈（MDPF）策略，利用统计和瞬时 CSI 幅度信息指导相位量化。
• 使用真实与合成 CSI 数据集的组合进行端到端网络训练，且无需修改 UE 发射机。

实验结果

研究问题

• RQ1 利用附近 UEs 之间的空间相关性，是否能显著降低 FDD 大规模 MIMO 系统中的 CSI 反馈开销？
• RQ2 深度学习框架如何在不依赖 D2D 通信或 UE 端修改的情况下，联合在基站恢复共享与独立的 CSI 分量？
• RQ3 CSI 相位的非稀疏性对反馈性能有何影响？幅度信息是否能提升相位量化精度？
• RQ4 在实际部署中，该协作框架如何在不同 UE 相关程度下保持性能？
• RQ5 网络架构（包括共享与独立解码器）在有限反馈比特下，如何实现高效且精确的 CSI 重构？

主要发现

• 在极端受限的反馈开销下，CoCsiNet 显著优于非协作的基于深度学习的 CSI 反馈方法，尤其在低比特场景下表现突出。
• 共享解码器能有效从两个 UEs 的反馈中重构共有的信道特征，显著减少了共享 CSI 分量的冗余传输。
• 参数可视化结果表明，CoCsiNet 中的两个编码器分别聚焦于不同的主导信道路径，验证了协作式特征提取的有效性。
• 所提出的基于幅度的相位反馈（MDPF）策略通过利用统计与瞬时 CSI 幅度信息，提升了相位重构精度。
• 采用混合训练数据集或基于 UE 距离或 CSI 相关性的可切换机制时，框架在不同相关程度下均表现出鲁棒性。
• 与基线自编码器方法相比，该方法在 UEs 之间存在高空间相关性时展现出更优越的性能。