Auto-CsiNet：面向大规模 MIMO CSI 反馈的场景定制化自动神经网络架构生成
信息论
2023-11-28 v1 人工智能
math.IT
摘要
深度学习已经革新了无线通信中信道状态信息（CSI）反馈模块的设计。然而，为 CSI 反馈设计最优神经网络（NN）架构可能是一个费力且耗时的过程。对于将神经网络定制到不同场景而言，人工设计的成本可能高得令人望而却步。本文提出使用神经架构搜索（NAS）来自动化生成场景定制化的 CSI 反馈神经网络架构，从而在专属环境中最大化深度学习的潜力。通过采用自动化机器学习和基于梯度下降的 NAS，实现了高效且低成本的架构设计流程。所提方法利用隐式场景知识，以数据驱动的方式将其整合进场景定制化过程，并针对每个特定场景充分挖掘深度学习的潜力。为解决搜索过量问题，采用了早停和弹性选择机制，提升了所提方案的效率。实验结果表明，自动生成的架构（称为 Auto-CsiNet）在重建性能（提升约 14%）和复杂度（降低约 50%）上均优于人工设计的模型。此外，本文分析了场景对神经网络架构及其能力的影响。
引用
@article{arxiv.2311.15950,
title = {Auto-CsiNet: Scenario-customized Automatic Neural Network Architecture Generation for Massive MIMO CSI Feedback},
author = {Xiangyi Li and Jiajia Guo and Chao-Kai Wen and Shi Jin},
journal= {arXiv preprint arXiv:2311.15950},
year = {2023}
}
备注
16 pages, 10 figures, 6 tables