基于机器学习的可互操作信道状态反馈压缩实证
信号处理
2025-06-30 v1 人工智能
摘要
基于神经网络的信道状态反馈压缩与解压是机器学习（ML）在无线网络中最广泛研究的应用之一。各种仿真研究表明，基于ML的反馈压缩可实现更低的开销和更准确的信道信息。然而，据我们所知，目前尚无实际场景中展示基于ML信道反馈压缩优势的原型系统，其中用户设备（UE）和基站无需彼此共享ML模型。在本文中，我们提出了一种 novel 方法，用于以保密方式训练可互操作的压缩和解压 ML 模型，并使用原型 UE 和基站演示了所得模型的准确性。我们以重建信道信息的准确性以及基于信道信息进行波束赋形所实现的下行吞吐量提升来衡量基于ML的信道反馈性能。报告的测量结果表明，无需在设备和网络供应商之间共享ML模型，即可开发出准确的基于ML的信道反馈链路。这些结果为在商业6G网络中实现基于ML的信道反馈提供了实际应用的可能性。
引用
@article{arxiv.2506.21796,
title = {Demonstrating Interoperable Channel State Feedback Compression with Machine Learning},
author = {Dani Korpi and Rachel Wang and Jerry Wang and Abdelrahman Ibrahim and Carl Nuzman and Runxin Wang and Kursat Rasim Mestav and Dustin Zhang and Iraj Saniee and Shawn Winston and Gordana Pavlovic and Wei Ding and William J. Hillery and Chenxi Hao and Ram Thirunagari and Jung Chang and Jeehyun Kim and Bartek Kozicki and Dragan Samardzija and Taesang Yoo and Andreas Maeder and Tingfang Ji and Harish Viswanathan},
journal= {arXiv preprint arXiv:2506.21796},
year = {2025}
}
备注
This work has been submitted to the IEEE for possible publication