FDD mMIMO-OFDM系统中用于低开销CSI反馈训练的分布式Gossip-GAN
信号处理
2025-09-16 v1 人工智能
信息论
math.IT
摘要
深度自编码器（DAE）框架已被证明在减少大规模多输入多输出（mMIMO）系统中的信道状态信息（CSI）反馈开销方面非常有效。然而，先前工作中提出的这些DAE方法严重依赖于通过基站（BS）收集的大规模数据来进行模型训练，从而导致过度的带宽使用和数据隐私问题，尤其是对于mMIMO系统。当考虑用户的移动性并遇到新的信道环境时，现有的CSI反馈模型可能经常需要重新训练。然而，回到以前的环境会使这些模型表现不佳，并面临灾难性遗忘的风险。为了解决上述具有挑战性的问题，我们提出了一种新颖的基于流言生成对抗网络辅助的CSI反馈训练框架。值得注意的是，Gossip-GAN能够在保护用户隐私的同时实现低开销的CSI反馈训练。具体而言，每个用户收集少量数据来训练一个GAN模型。同时，采用完全分布式的流言学习策略来避免模型过拟合，并加速模型训练。仿真结果表明，Gossip-GAN能够：i）在使用真实世界数据集的情况下，实现与集中式训练相似的CSI反馈准确率；ii）解决移动场景中的灾难性遗忘挑战；iii）大幅减少上行带宽使用。此外，我们的结果表明所提出的方法具有固有的鲁棒性。
引用
@article{arxiv.2509.10490,
title = {Distributed Gossip-GAN for Low-overhead CSI Feedback Training in FDD mMIMO-OFDM Systems},
author = {Yuwen Cao and Guijun Liu and Tomoaki Ohtsuki and Howard H. Yang and Tony Q. S. Quek},
journal= {arXiv preprint arXiv:2509.10490},
year = {2025}
}