基于上下文学习的无蜂窝多用户 MIMO 均衡
信息论
2024-04-12 v2 机器学习
信号处理
math.IT
摘要
大型预训练序列模型（如 Transformer）作为具备上下文学习（ICL）能力的少样本学习器表现优异。在 ICL 中，模型被训练以根据有限的上下文信息（通常以给定任务的少量训练样本的形式）来调整其操作以适应新任务。先前的工作已探索了在单用户多输入多输出（MIMO）系统中将 ICL 用于信道均衡。在本工作中，我们证明 ICL 也可用于解决具有有限前传容量的无蜂窝 MIMO 系统中的多用户均衡问题。在此场景下，任务由信道统计特性、信噪比和调制方案定义。上下文包含用户的导频序列、相应的量化接收信号以及当前的接收数据信号。我们提出并评估了不同的提示设计策略，这些策略还包含大尺度衰落和调制信息。实验表明，与线性最小均方误差均衡器相比，基于 ICL 的均衡提供的估计具有更低的均方误差，尤其是在存在有限前传容量和导频污染的情况下。
引用
@article{arxiv.2404.05538,
title = {Cell-Free Multi-User MIMO Equalization via In-Context Learning},
author = {Matteo Zecchin and Kai Yu and Osvaldo Simeone},
journal= {arXiv preprint arXiv:2404.05538},
year = {2024}
}