面向 AI-Native 前传线：面向 NextG Cloud RAN 的神经压缩
机器学习
2025-06-10 v1
摘要
数据流量的快速增长以及 NextG 细胞系统中新兴的 AI-native 无线架构对 Cloud 基站接入网络（C-RAN）的前传链路提出了新的需求。本文研究针对 Common Public Radio Interface（CPRI）的神经压缩技术，以减少前传带宽并保持信号质量。我们引入两种深度学习基于压缩算法，旨在优化无线信号转换为比特序列以进行 CPRI 发送的转换。第一种算法利用基于学习码本的非线性变换和标量/向量量化。第二种算法通过算术编码生成潜在向量，转换为可变长度输出比特序列，由每个潜在元素的预测概率分布指导。提出了诸如面向存储受限设备的共享权重模型以及用于管理具有不同服务质量（QoS）的多个 CPRI 链路的递进细化模型等新技术。广泛的仿真结果表明，两种算法在传统方法之上都实现了显著的误差矢量幅度（EVM）提升，并在率失真性能方面表现出色。所提出的解决方案对信道条件、调制格式和噪声水平的变化都具有鲁棒性，凸显了其在 NextG AI-native 网络中实现高效和可扩展前传的潜力，同时与当前 3GPP 研究方向相吻合。
引用
@article{arxiv.2506.06926,
title = {Basis Transformers for Multi-Task Tabular Regression},
author = {Wei Min Loh and Jiaqi Shang and Pascal Poupart},
journal= {arXiv preprint arXiv:2506.06926},
year = {2025}
}