用于少导频解调与均衡的贝叶斯主动元学习
机器学习
2023-01-11 v3 信号处理
摘要
通信网络中人工智能(AI)模块生命周期的两个主要原则是适应与监控。适应指需要根据当前条件调整 AI 模块的运行;而监控要求对 AI 模块决策的可靠性进行度量。用于设计 AI 模块的经典频率主义学习方法在适应与监控两方面均存在不足,仅支持一次性训练并提供过于自信的决策。本文提出一种通过整合元学习与贝叶斯学习来解决上述两重挑战的方案。作为一个具体用例,研究了基于少量导频可用的衰落信道上的解调与均衡问题。元学习处理来自多帧的导频信息,以提取跨帧有效解调器有用的共享特性。经实验证明,所得训练好的解调器提供了更好校准的软决策,其计算代价为运行时执行网络集成。通过在参数空间中量化不确定性的能力,进一步将贝叶斯元学习扩展至主动设定而加以利用。在该设定中,设计者可按顺序选择信道条件,以从信道模拟器生成用于元学习的数据。实验中可见,贝叶斯主动元学习显著减少了为新帧获得高效适应过程所需的帧数。
引用
@article{arxiv.2108.00785,
title = {Bayesian Active Meta-Learning for Few Pilot Demodulation and Equalization},
author = {Kfir M. Cohen and Sangwoo Park and Osvaldo Simeone and Shlomo Shamai},
journal= {arXiv preprint arXiv:2108.00785},
year = {2023}
}
备注
To appear in IEEE Transactions on Signal Processing