基于 PSCA 和 PSCA-Net 的快速最大似然估计与最大后验概率估计设备活动检测方法用于授权-free 接入
最优化与控制
2025-03-25 v2 机器学习
摘要
快速且准确的设备活动检测是支持 5G 和更高阶技术中大规模机器类型通信 (mMTC) 和超可靠低时延通信 (URLLC) 的授权-free 接入中的关键挑战。现有方法在误差率和计算时间方面表现不佳。为解决这些问题，我们提出了一种基于最大似然估计 (MLE) 和最大后验概率估计 (MAPE) 的设备活动检测方法，用于已知和未知路径损耗情况，采用优化和深度学习技术实现卓越的误差率和计算时间权衡。具体而言，我们研究了两种路径损耗情况下的四个非凸优化问题用于 MLE 和 MAPE，其中一个 MAPE 问题为首次提出。对于每个非凸问题，我们开发了一种基于平行连续凸近似 (PSCA) 方法的创新性平行迭代算法。每个 PSCA-based 算法允许平行计算，利用目标函数的二阶信息，收敛至问题的平稳点，并且相对于现有方法具有较低的每迭代计算复杂度。随后，针对每个 PSCA-based 迭代算法，我们提出了一种深度展开神经网络实现方案，即 PSCA-Net，以进一步缩短计算时间。每个 PSCA-Net 将底层 PSCA-based 算法的平行计算机制与可并行化的神经网络架构优雅地融合，并通过大量数据样本有效地优化其步长，从而加速收敛。数值结果表明，所提出的方法可显著降低误差率和计算时间，优于现有方法，显示出在授权-free 接入中的重要价值。
引用
@article{arxiv.2503.15259,
title = {Fast MLE and MAPE-Based Device Activity Detection for Grant-Free Access via PSCA and PSCA-Net},
author = {Bowen Tan and Ying Cui},
journal= {arXiv preprint arXiv:2503.15259},
year = {2025}
}