[论文解读] Federated Channel Learning for Intelligent Reflecting Surfaces With Fewer Pilot Signals

Ahmet M. Elbir, Sinem Çöleri+1 more|arXiv (Cornell University)|May 6, 2022

Advanced Wireless Communication Technologies参考文献 24被引用 6

一句话总结

该论文提出了一种基于联邦学习（FL）的智能反射表面（IRS）辅助大规模MIMO系统中的信道估计算法，通过使用更少的导频信号联合估计直射与级联信道。通过在用户设备上本地训练单一卷积神经网络（CNN），并在基站仅聚合模型更新，该方法相比集中式学习将传输开销降低了约12倍，同时保持了接近集中式学习的性能，并在使用60%更少导频信号的情况下优于当前最先进的深度学习方法。

ABSTRACT

Channel estimation is a critical task in intelligent reflecting surface (IRS)-assisted wireless systems due to the uncertainties imposed by environment dynamics and rapid changes in the IRS configuration. To deal with these uncertainties, deep learning (DL) approaches have been proposed. Previous works consider centralized learning (CL) approach for model training, which entails the collection of the whole training dataset from the users at the base station (BS), hence introducing huge transmission overhead for data collection. To address this challenge, this paper proposes a federated learning (FL) framework to jointly estimate both direct and cascaded channels in IRS-assisted wireless systems. We design a single convolutional neural network trained on the local datasets of the users without sending them to the BS. We show that the proposed FL-based channel estimation approach requires approximately 60% fewer pilot signals and it exhibits 12 times lower transmission overhead than CL, while maintaining satisfactory performance close to CL. In addition, it provides lower estimation error than the state-of-the-art DL-based schemes.

研究动机与目标

• 解决集中式深度学习（DL）方法在IRS辅助系统中面临的高传输开销和隐私问题。
• 克服现有方法中所需导频数等于基站（BS）天线数的限制。
• 通过在用户间共享训练CNN模型而不传输原始数据，实现在去中心化环境下的隐私保护信道估计。
• 在远少于传统基于模型和深度学习技术的导频信号下，实现高精度信道估计。
• 证明联邦学习在低导频和低开销场景下可优于当前最先进的基于深度学习的方案。

提出的方法

• 提出一种通过联邦学习（FL）训练的单一CNN架构，用于在IRS辅助的大规模MIMO系统中联合估计直射与级联信道。
• 每个用户在其自身的导频信号和信道状态信息数据集上本地训练CNN，并仅向基站发送模型梯度（而非原始数据）。
• 基站使用FedAvg聚合本地模型更新，并将更新后的全局模型重新分发给用户以进行迭代训练。
• CNN架构包含3×3卷积核和ReLU激活的卷积层，随后是全连接层，能够从有限的导频输入中有效提取特征。
• 通过学习从稀疏导频输入到完整信道矩阵的非线性映射，避免了矩阵求逆，降低了计算复杂度。
• 训练过程进行100轮，使用随机梯度下降（SGD）与动量，基于从200次信道实现和每次实现160个含噪样本生成的768,000对输入输出数据集进行。

实验结果

研究问题

• RQ1 与集中式学习相比，联邦学习是否能降低IRS信道估计算法中的传输开销？
• RQ2 通过联邦学习训练的单一CNN是否能在显著减少导频信号数量的情况下实现与集中式学习相当的性能？
• RQ3 所提出的基于联邦学习的方法是否在低导频环境下优于现有基于深度学习的信道估计算法？
• RQ4 在IRS辅助系统中，该联邦学习方法的性能如何随信噪比（SNR）和导频开销变化？
• RQ5 在去中心化方式下训练的非线性深度学习模型是否能有效从稀疏导频反馈中重建完整的信道矩阵？

主要发现

• 所提出的基于联邦学习的信道估计算法相比集中式学习（CL）将传输开销降低了约12倍，TFL = 9.6×10⁸ vs. TCL = 1.1×10¹⁰。
• 与基于模型的方法相比，该方法将所需导频信号减少了60%，即使在 ¯M < M（导频数 < 基站天线数）时仍表现良好。
• 在SNR ≤ 25 dB时，基于联邦学习的CNN实现的NMSE性能几乎与CL完全一致，SNR ≥ 15 dB时NMSE ≤ 0.01，可实现可靠估计。
• 由于引入了全连接层以实现更优的特征映射，该方法优于当前最先进的SF-CNN模型，尤其在低信噪比和低导频场景下。
• 模型对含噪输入具有鲁棒性，通过在三个SNR水平（20、25、30 dB）下使用每信道160个含噪实现的验证，性能表现稳定。
• 验证的RMSE显示训练过程中收敛稳定，表明联邦学习训练的模型在用户间具有良好的泛化能力。