面向少导频信号智能反射面的联邦信道学习
信号处理
2022-08-10 v1 信息论
机器学习
math.IT
摘要
在智能反射面（IRS）辅助的无线系统中，由于环境动态和 IRS 配置快速变化带来的不确定性，信道估计是一项关键任务。为应对这些不确定性，已有深度学习（DL）方法被提出。先前工作考虑采用集中式学习（CL）方法进行模型训练，这需要在基站（BS）处从用户收集整个训练数据集，从而引入巨大的数据传输开销。为应对该挑战，本文提出一种联邦学习（FL）框架，以联合估计 IRS 辅助无线系统中的直连信道与级联信道。我们设计了一个在用户本地数据集上训练的单卷积神经网络，而无需将数据发送至 BS。我们表明，所提出的基于 FL 的信道估计方法所需导频信号约减少 60%，且相比 CL 传输开销降低 12 倍，同时保持接近 CL 的满意性能。此外，它比最先进的基于 DL 的方案具有更低的估计误差。
引用
@article{arxiv.2205.03196,
title = {Federated Channel Learning for Intelligent Reflecting Surfaces With Fewer Pilot Signals},
author = {Ahmet M. Elbir and Sinem Coleri and Kumar Vijay Mishra},
journal= {arXiv preprint arXiv:2205.03196},
year = {2022}
}
备注
5pages2figures Accepted paper in IEEE SAM 2022. arXiv admin note: substantial text overlap with arXiv:2008.10846