[论文解读] Federated Learning for Channel Estimation in Conventional and IRS-Assisted Massive MIMO

Ahmet M. Elbir, Sinem Çöleri|arXiv (Cornell University)|Aug 25, 2020

Advanced Wireless Communication Technologies参考文献 58被引用 49

一句话总结

该论文提出了一种联邦学习（FL）框架，用于在传统和智能反射面（IRS）辅助的大规模MIMO系统中进行信道估计，采用在用户设备上本地训练的单一卷积神经网络（CNN），无需将原始数据传输至基站。与集中式学习相比，该方法将传输开销降低了约16倍，同时保持了接近集中式方案的估计精度，并在误差性能上优于现有最先进方法。

ABSTRACT

Machine learning (ML) has attracted a great research interest for the problems in the physical layer of wireless communications, such as channel estimation, thanks to its low computational complexity and robustness against imperfect channel data. Channel estimation via ML requires model training on a dataset, which usually includes the received pilot signals as input and channel data as output. In previous works, model training is mostly done in a centralized manner, where the whole training dataset is collected from the users at the base station (BS). This approach introduces huge transmission overhead for data collection from the users. In this paper, to address this challenge, we propose a federated learning (FL) framework for channel estimation. We design a convolutional neural network (CNN) trained on the local datasets of the users without sending them to the BS. We develop FL-based channel estimation schemes for both conventional and IRS (intelligent reflecting surface) assisted massive MIMO (multiple-input multiple-output) systems, where a single CNN is trained for two different datasets for both scenarios. Even if the IRS-assisted massive MIMO includes two different channels, namely the direct and cascaded channels, their estimation is performed with a single CNN, without using multiple CNNs for each task. Via numerical simulations, we evaluate the performance for noisy and quantized model transmission and show that the proposed approach provides approximately 16 times lower transmission overhead than the centralized learning (CL) schemes, while maintaining satisfactory channel estimation performance close to CL. Furthermore, the proposed CNN architecture exhibits lower estimation error than the state-of-the-art ML-based channel estimation schemes.

研究动机与目标

• 解决基于机器学习的信道估计在大规模MIMO系统中因集中式数据收集导致的高传输开销问题。
• 通过在用户设备上本地训练模型而不共享原始数据，实现隐私保护的信道估计。
• 设计一种统一的CNN架构，能够同时估计IRS辅助大规模MIMO系统中的直射信道与级联信道。
• 通过避免为不同信道类型或场景使用多个CNN，降低系统复杂度。
• 确保在实际无线环境中联邦学习训练过程中，面对噪声和量化模型更新时仍具备鲁棒性。

提出的方法

• 提出一种联邦学习框架，每个用户在本地设备上基于自身的导频信号和信道数据训练一个共享的CNN，而无需将原始数据集传输至基站。
• 设计一种单一CNN架构，通过相同的模型参数联合学习直射信道（传统大规模MIMO）与级联信道（IRS辅助大规模MIMO）的估计。
• 利用用户端的本地模型更新，迭代地在基站端优化全局模型，从而最小化通信开销。
• 采用FedAvg或类似算法实现联邦学习中的模型聚合，确保在非独立同分布（non-IID）数据分布下仍能收敛。
• 在联邦学习训练流程中集成噪声与量化模型，以模拟真实的无线环境条件。
• 以导频信号作为输入，信道状态信息作为输出训练CNN，实现端到端的信道估计。

实验结果

研究问题

• RQ1 能否通过联邦学习有效训练单一CNN，以估计传统和IRS辅助大规模MIMO系统中的直射信道与级联信道？
• RQ2 所提出的基于联邦学习的信道估计方案在传输开销与估计精度方面，与集中式学习相比表现如何？
• RQ3 噪声和量化模型更新对基于联邦学习的信道估计框架性能有何影响？
• RQ4 所提出方法能否实现低于现有最先进机器学习信道估计技术的估计误差？
• RQ5 联邦方法在大规模MIMO系统中在保持高信道估计质量的同时，能在多大程度上实现隐私保护？

主要发现

• 所提出的联邦学习框架相比集中式学习方案，将传输开销降低了约16倍。
• 即使在存在噪声和量化模型传输的条件下，所提出方法的信道估计性能仍与集中式学习保持接近。
• 单一CNN架构的估计误差低于现有最先进机器学习信道估计方法，展现出更高的精度。
• 统一的CNN能够有效估计IRS辅助大规模MIMO系统中的直射信道与级联信道，无需为每类信道类型分别设计模型。
• 联邦学习框架在实际非理想因素（如模型量化与信道噪声）下仍保持鲁棒性能，验证了其在真实部署中的可行性。
• 该方法通过消除向基站传输原始用户数据的需求，实现了隐私保护的信道估计。