面向大规模 MIMO CSI 反馈的通信高效个性化联邦边缘学习
信号处理
2023-12-05 v2
摘要
近年来，基于深度学习（DL）的信道状态信息（CSI）反馈受到显著研究关注。然而，先前研究忽视了训练过程中 CSI 数据集传输引起的潜在隐私泄露问题。本工作中，我们为基于 DL 的 CSI 反馈引入一种基于联邦边缘学习（FEEL）的训练框架。该方法不同于在传统集中式学习（CL）框架下于训练前在基站（BS）收集 CSI 数据集的做法；相反，每个用户设备（UE）训练本地自编码器网络并与 BS 交换模型参数。与 CL 相比，该方法能更好地保护数据隐私。为进一步降低 FEEL 中的通信开销，我们依据上行与下行模型传输对反馈性能的影响，将其量化为不同比特数。此外，由于不同 UE 间 CSI 数据集的异构性会退化基于 FEEL 框架的性能，我们引入个性化策略以改善反馈性能。该策略允许本地微调，使全局模型适配各 UE 的信道特征。仿真结果表明，所提出的基于个性化 FEEL 的训练框架能在降低通信开销的同时显著提升基于 DL 的 CSI 反馈性能。
引用
@article{arxiv.2303.13782,
title = {Communication-efficient Personalized Federated Edge Learning for Massive MIMO CSI Feedback},
author = {Yiming Cui and Jiajia Guo and Chao-Kai Wen and Shi Jin},
journal= {arXiv preprint arXiv:2303.13782},
year = {2023}
}
备注
13 pages, 13 figures