面向动态信道的深度接收机之自适应灵活基于模型的AI
信息论
2023-05-15 v1 math.IT
摘要
人工智能(AI)被设想在未来无线技术中发挥关键作用,深度神经网络(DNN)使数字接收机能够学习在具有挑战性的通信场景中工作。然而,无线接收机设计带来的独特挑战从根本上不同于传统深度学习领域所遇到的那些。主要挑战源于无线设备有限的功耗与计算资源,以及无线通信的动态特性,后者导致数据分布持续变化。这些挑战损害了基于高度参数化DNN的传统AI,促使开发用于无线通信的自适应、灵活且轻量级的AI,这正是本文的重点。在此,我们提出基于AI的无线接收机设计需要重新思考AI的三大支柱:架构、数据与训练算法。在架构方面,我们回顾如何通过基于模型的深度学习设计紧凑的DNN。然后,我们讨论如何在不损害频谱效率的情况下为深度接收机获取训练数据。最后,我们通过元学习与广义贝叶斯学习回顾高效、可靠且鲁棒的训练算法。文中给出数值结果以证明所综述方法的互补有效性。我们以提出开发实用深度接收机的未来研究机遇作结。
引用
@article{arxiv.2305.07309,
title = {Adaptive and Flexible Model-Based AI for Deep Receivers in Dynamic Channels},
author = {Tomer Raviv and Sangwoo Park and Osvaldo Simeone and Yonina C. Eldar and Nir Shlezinger},
journal= {arXiv preprint arXiv:2305.07309},
year = {2023}
}