[论文解读] Deep Learning for Wireless Communications: An Emerging Interdisciplinary Paradigm

Linglong Dai, Ruicheng Jiao+3 more|arXiv (Cornell University)|Jul 12, 2020

Wireless Signal Modulation Classification参考文献 13被引用 7

一句话总结

本文提出了两种基于深度学习（DL）的方法——基于DL的架构设计与基于DL的算法设计——以实现无线通信的转型。通过用端到端可训练的神经网络替代传统的基于模型的模块，DL能够在复杂、非线性且低时延的场景（如大规模MIMO和物联网）中实现鲁棒性能，而无需依赖精确的数学信道模型，从而取得优越性能。

ABSTRACT

Wireless communications are envisioned to bring about dramatic changes in the future, with a variety of emerging applications, such as virtual reality (VR), Internet of things (IoT), etc., becoming a reality. However, these compelling applications have imposed many new challenges, including unknown channel models, low-latency requirement in large-scale super-dense networks, etc. The amazing success of deep learning (DL) in various fields, particularly in computer science, has recently stimulated increasing interest in applying it to address those challenges. Hence, in this review, a pair of dominant methodologies of using DL for wireless communications are investigated. The first one is DL-based architecture design, which breaks the classical model-based block design rule of wireless communications in the past decades. The second one is DL-based algorithm design, which will be illustrated by several examples in a series of typical techniques conceived for 5G and beyond. Their principles, key features, and performance gains will be discussed. Furthermore, open problems and future research opportunities will also be pointed out, highlighting the interplay between DL and wireless communications. We expect that this review can stimulate more novel ideas and exciting contributions for intelligent wireless communications.

研究动机与目标

• 解决传统基于模型的无线通信系统在复杂、非线性及时变环境中所面临的局限性。
• 研究深度学习如何替代或增强经典信号处理模块（如信道估计与均衡）。
• 识别在数据质量、模型可解释性以及实时适应性方面，DL在无线系统中面临的关键挑战。
• 提出一种统一框架，通过混合DL/非DL运行模式与软切换机制，将DL集成到现有无线基础设施中。
• 突出深度学习与无线通信交叉领域中的开放问题与未来研究方向。

提出的方法

• 提出基于DL的架构设计，将传统的基于模块划分的、基于模型的通信系统替换为端到端可训练的神经网络。
• 引入基于DL的算法设计，利用深度神经网络优化检测、波束成形和信道估计等信号处理任务。
• 利用深度神经网络（DNNs）学习无线信道中复杂且非线性的映射关系，而无需精确的数学模型。
• 采用涉及标注数据（如导频序列）的训练策略，对DNN进行监督，即使在高维且异构的无线环境中亦可实现。
• 利用迁移学习与轻量级DNN，提升在时变或未见场景下的鲁棒性与计算效率。
• 提出一种混合系统架构，支持经典基于模型的通信模块与基于DL的通信模块共存，并实现软切换。

实验结果

研究问题

• RQ1 深度学习如何用于重新设计无线通信系统的基本架构，超越传统的基于模块的模型？
• RQ2 在MIMO检测与信道估计等关键物理层任务中，基于DL的算法在性能增益与设计原则方面有何表现？
• RQ3 在无需从头开始重新训练的情况下，基于DL的系统如何在时变或未见的无线环境中保持性能？
• RQ4 在真实无线系统中训练高效DL模型时，数据收集、质量与分布方面面临哪些关键挑战？
• RQ5 如何提升基于DL的无线通信系统中模型的可解释性与理论基础？

主要发现

• 基于DL的架构设计实现了通信系统的端到端学习，无需依赖对复杂信道的精确数学建模。
• 基于DL的算法设计在MIMO检测与信道均衡等任务中表现出优越性能，尤其在非线性或未知环境中。
• 轻量级DNN提供低时延处理，适用于具有严格时延约束的大规模、超密集网络。
• 迁移学习可提升在时变无线环境中的鲁棒性，并降低重新训练成本。
• 高维且异构的无线数据对数据预处理与模型泛化构成重大挑战。
• 训练后DNN的可解释性仍然有限，缺乏对网络行为或超参数选择的清晰物理或数学解释。