[论文解读] Federated Deep Learning Framework For Hybrid Beamforming in mm-Wave Massive MIMO.

Ahmet M. Elbir, Sinem Çöleri|arXiv (Cornell University)|May 20, 2020

Millimeter-Wave Propagation and Modeling被引用 3

一句话总结

该论文提出了一种用于毫米波大规模MIMO系统中混合波束成形的联邦学习（FL）框架，其中基站仅使用来自用户的梯度更新训练卷积神经网络，避免了原始数据的传输。与传统的机器学习方法相比，该方法降低了复杂度，并提高了对信道估计误差的鲁棒性。

ABSTRACT

Machine learning (ML) for wireless communications requires the training of a global model with a large dataset collected from the users. However, the transmission of a whole dataset between the users and the base station (BS) is computationally prohibitive. In this work, we introduce a federated learning (FL) based framework where the model training is performed at the BS by collecting only the gradients from the users. In particular, we design a convolutional neural network (CNN), whose input is the channel data and it yields the analog beamformers at the output. We have evaluated the performance of the proposed framework via numerical simulations and shown that FL is more tolerant than ML to the imperfections and corruptions in the channel data as well as having less complexity.

研究动机与目标

• 解决在毫米波大规模MIMO系统中机器学习应用时传输大规模信道数据集所面临的计算与隐私挑战。
• 减少用户与基站之间在模型训练过程中的通信开销。
• 提高波束成形模型对信道估计误差和数据损坏的鲁棒性。
• 设计一种适用于实际毫米波系统的低复杂度、隐私保护型训练框架。

提出的方法

• 采用联邦学习（FL）框架，模型更新以梯度形式交换，而非原始信道数据。
• 设计一种卷积神经网络（CNN），以信道状态信息作为输入，输出模拟波束成形波束。
• 在基站处通过聚合多个用户的梯度来训练全局模型，从而保护用户数据隐私。
• 采用集中式训练范式，用户本地计算梯度并将其发送至基站以进行全局模型聚合。
• 优化CNN架构，以处理毫米波信道数据的空间与频率特性。
• 应用标准的联邦学习聚合技术（例如FedAvg）以迭代方式更新全局模型。

实验结果

研究问题

• RQ1 联邦学习能否在训练用于毫米波大规模MIMO波束成形的深度学习模型时降低通信开销？
• RQ2 在信道状态信息不完美或受损的情况下，基于FL的框架表现如何？
• RQ3 在所提出的FL框架中，模型精度与计算复杂度之间的权衡如何？
• RQ4 与集中式机器学习相比，FL方法是否在信道估计误差方面表现出更高的鲁棒性？
• RQ5 在用户数量和信道条件变化时，基于FL的波束成形系统性能如何扩展？

主要发现

• 所提出的联邦学习框架通过仅传输梯度而非完整数据集，显著降低了通信开销。
• 与传统机器学习方法相比，基于FL的模型对信道估计误差和数据损坏表现出更强的容忍能力。
• 基于CNN的波束成形设计在计算复杂度上低于传统方法，同时实现了有效的波束对准。
• 数值仿真结果表明，即使在信道状态信息不完善的情况下，FL框架仍能保持较高的波束成形增益。
• 通过确保原始信道数据从不离开用户设备，该框架有效保护了用户数据隐私。
• 通过迭代梯度聚合，全局模型能够有效收敛，性能接近集中式训练。