[论文解读] Deep Transfer Learning Based Downlink Channel Prediction for FDD Massive MIMO Systems

Yuwen Yang, Feifei Gao+3 more|arXiv (Cornell University)|Dec 27, 2019

Advanced MIMO Systems Optimization参考文献 47被引用 12

一句话总结

本文提出了一种用于FDD大规模MIMO系统下行链路信道状态信息（CSI）预测的深度迁移学习（DTL）框架，利用上行链路CSI在新环境中以极少的标注数据预测下行链路CSI。它提出了一种直接迁移方法和一种元学习算法，显著优于标准深度学习方法，在新环境中仅需60个信道样本即可实现高精度预测。

ABSTRACT

Artificial intelligence (AI) based downlink channel state information (CSI) prediction for frequency division duplexing (FDD) massive multiple-input multiple-output (MIMO) systems has attracted growing attention recently. However, existing works focus on the downlink CSI prediction for the users under a given environment and is hard to adapt to users in new environment especially when labeled data is limited. To address this issue, we formulate the downlink channel prediction as a deep transfer learning (DTL) problem, where each learning task aims to predict the downlink CSI from the uplink CSI for one single environment. Specifically, we develop the direct-transfer algorithm based on the fully-connected neural network architecture, where the network is trained on the data from all previous environments in the manner of classical deep learning and is then fine-tuned for new environments. To further improve the transfer efficiency, we propose the meta-learning algorithm that trains the network by alternating inner-task and across-task updates and then adapts to a new environment with a small number of labeled data. Simulation results show that the direct-transfer algorithm achieves better performance than the deep learning algorithm, which implies that the transfer learning benefits the downlink channel prediction in new environments. Moreover, the meta-learning algorithm significantly outperforms the direct-transfer algorithm in terms of both prediction accuracy and stability, which validates its effectiveness and superiority.

研究动机与目标

• 解决在FDD大规模MIMO系统中，为新无线环境重新训练深度学习模型时面临的数据成本高和泛化能力差的问题。
• 克服现有基于AI的CSI预测方法在每个新环境中均需大量标注数据的局限性。
• 通过迁移学习实现仅用极少标注数据即可快速适应新传播环境。
• 通过元学习和模型微调，在低数据环境下提升预测精度和泛化能力。
• 验证迁移学习在降低FDD大规模MIMO系统中下行链路CSI预测的数据和训练开销方面的有效性。

提出的方法

• 将下行链路CSI预测建模为深度迁移学习（DTL）问题，其中每个环境对应一个独立的学习任务。
• 提出一种直接迁移算法，通过标准深度学习初始化一个全连接神经网络（FNN），并在新环境的小型目标数据集上进行微调。
• 引入一种元学习算法，通过在内层任务优化（在少样本数据上微调）和跨任务优化（模型初始化更新）之间交替，学习一种可快速适应的鲁棒初始化。
• 采用全连接神经网络（FNN）架构，将上行链路CSI映射到下行链路CSI，输入和输出层根据信道向量的维度进行调整。
• 使用一组源环境训练元学习器，以学习一种在未见目标环境中仅用少量标注样本即可良好泛化的模型初始化。
• 采用归一化均方误差（NMSE）作为评估指标，跨不同数量的基站（BS）天线、频偏差异、信噪比（SNR）和训练样本数量评估性能。

实验结果

研究问题

• RQ1 深度迁移学习能否降低将下行链路CSI预测模型适配到新无线环境所需的数据和训练成本？
• RQ2 在仅用少量标注数据泛化到新环境时，直接迁移学习的性能与标准深度学习相比如何？
• RQ3 在低数据环境下，元学习相较于直接微调在提升适应速度和精度方面有多大改进？
• RQ4 预测精度对适应数据集中频偏变化、基站（BS）天线数量和SNR变化的敏感度如何？
• RQ5 模型在新环境中实现稳定性能所需的最少标注样本数是多少？

主要发现

• 元学习算法在低数据环境下显著优于直接迁移和无迁移基线方法，表现出更强的泛化能力和适应能力。
• 直接迁移算法在新环境中的性能优于标准深度学习（无迁移）方法，证实了迁移学习在CSI预测中的有效性。
• 当新环境中标注样本数达到60个或以上时，直接迁移和元学习算法的性能均达到饱和，表明60个样本足以实现完全适应。
• 随着频偏（Δf）增大，预测精度下降，但基于DNN的模型在大带宽范围内仍保持鲁棒性，验证了跨频段预测的可行性。
• 由于“维度灾难”效应，随着基站（BS）天线数量增加，性能下降，凸显了高维输入空间的挑战。
• 当适应数据集中的SNR低于-40 dB时，无论直接迁移还是元学习均无法提升性能，表明在极差信号条件下存在性能鲁棒性的硬性极限。