[论文解读] Model-Driven Deep Learning for Physical Layer Communications

Hengtao He, Shi Jin+4 more|arXiv (Cornell University)|Sep 17, 2018

Wireless Signal Modulation Classification参考文献 18被引用 15

一句话总结

本文提出了一种面向物理层通信的模型驱动深度学习（DL）方法，通过将领域特定知识融入神经网络架构，以减少数据和计算需求。通过将迭代算法展开为可学习结构并实现在线自适应，该方法在参数更少的情况下实现了更优性能，在动态条件下优于数据驱动和传统方法的信道估计与检测性能。

ABSTRACT

Intelligent communication is gradually considered as the mainstream direction in future wireless communications. As a major branch of machine learning, deep learning (DL) has been applied in physical layer communications and has demonstrated an impressive performance improvement in recent years. However, most of the existing works related to DL focus on data-driven approaches, which consider the communication system as a black box and train it by using a huge volume of data. Training a network requires sufficient computing resources and extensive time, both of which are rarely found in communication devices. By contrast, model-driven DL approaches combine communication domain knowledge with DL to reduce the demand for computing resources and training time. This article reviews the recent advancements in the application of model-driven DL approaches in physical layer communications, including transmission scheme, receiver design, and channel information recovery. Several open issues for further research are also highlighted after presenting the comprehensive survey.

研究动机与目标

• 解决数据驱动深度学习在无线通信中带来的高数据与计算需求问题。
• 开发融合物理层知识的模型驱动DL架构，以提升效率与可解释性。
• 利用有限标注数据实现神经网络对动态信道条件的在线自适应。
• 研究模型精度的影响以及专用DL架构在通信系统中的潜力。
• 展示模型驱动DL在收发器设计与信道估计方面相对于黑箱方法和传统方法的优越性。

提出的方法

• 通过将迭代信号处理算法（如LMMSE、ZF）展开为具有可学习参数的信号流图来构建神经网络。
• 利用领域知识（如信号模型与信道统计特性）定义网络拓扑，降低对大规模标注数据集的依赖。
• 采用混合训练策略：先在室内与室外信道上进行离线预训练，再利用编码纠错码输出作为标签进行在线微调。
• 在网络中引入额外可学习参数（α, β），以在运行时适应实时信道波动。
• 在离线与在线阶段均采用随机梯度下降优化网络权重。
• 设计专用架构（如LDAMP），结合迭代恢复原理与卷积神经网络，用于信道估计。

实验结果

研究问题

• RQ1 模型驱动深度学习在物理层通信中如何降低传统深度学习的数据与计算需求？
• RQ2 模型驱动DL在系统模型存在不准确时，能在多大程度上通过数据驱动学习进行补偿？
• RQ3 在有限标注数据条件下进行在线训练，如何提升动态无线环境中的性能表现？
• RQ4 在信道估计与检测任务中，模型驱动DL相较于数据驱动与传统方法的性能增益如何？
• RQ5 专用的模型驱动DL架构是否能在通信特定任务中超越通用深度学习结构？

主要发现

• 模型驱动DL方法在误比特率（BER）方面显著优于传统LMMSE与数据驱动方法，尤其在动态室外信道中表现突出。
• 在室内信道上离线训练的网络在室外条件下性能劣于LMMSE，凸显了环境特异性训练的必要性。
• 图5中在线训练并持续更新的网络通过实时适应信道变化，在室外信道中实现了显著的性能提升。
• 利用编码纠错码输出作为标签，可在不增加通信开销的前提下实现高效的在线训练。
• 采用专用架构（如LDAMP）的模型驱动DL通过学习底层信号结构，显著提升了信道估计精度。
• 该方法在参数量显著少于黑箱深度学习模型的前提下，仍保持了具有竞争力的性能。